Metode numerik-buku-ajar-unila

Daftar Isi
KATA PENGANTAR
DAFTAR ISI
BAB I
PENDAHULUAN
1.1
PENGERTIAN METODE NUMERIK
1.2
BILANGAN DAN ANGKA SIGNIFIKAN
1.3
KONSEP DASAR KALKULUS : NILAI ANTARA DAN
DERET TAYLOR
1.4
GALAT DAN TOLERANSI DALAM METODE
NUMERIK
1.4.1 Galat
1.4.2 Toleransi
Soal-Soal Latihan
METODE NUMERIK UNTUK MENYELESAIKAN
PERSAMAAN ALJABAR DAN/ATAU
TRANSENDEN
2.1
METODE BISEKSI
2.2
METODE ITERASI
2.2.1 Metode Iterasi Sederhana
2.2.2 Metode Iterasi Konvergen
2.3
METODE NEWTON
2.4
METODE POSISI SALAH (REGULA FALSI)
Soal-Soal Latihan

Halaman
i
ii
1
1
2
3
5
5
7
8

BAB II

9
9
10
11
14
19
20
22

BAB III
INTERPOLASI
3.1
PENGERTIAN INTERPOLASI DAN GALATNYA
3.2
SELISIH
3.3
FORMULA NEWTON UNTUK INTERPOLASI DAN
RELASI SIMBOLIK
3.4
FORMULA INTERPOLASI SELISIH TENGAH
3.5
INTERPOLASI DENGAN TITIK-TITIK BERJARAK
TIDAK SAMA
Soal-Soal Latihan

23
23
24

BAB IV
DIFERENSIASI DAN INTEGRASI NUMERIK
4.1
DIFERENSIASI NUMERIK
4.1.1 Formula Newton untuk Diferensiasi Numerik
4.1.2 Nilai Maksimum dan Nilai Minimum dari Suatu Daftar
Nilai Fungsi
Soal-Soal Latihan
4.2
INTEGRASI NUMERIK
4.2.1 Aturan Trapezoida
4.2.2 Metode Simpson
4.2.3 Integrasi Romberg
Soal-Soal Latihan

44
44
44

30
38
39
43

48
50
51
52
55
58
61

BAB V
PENGEPASAN KURVA
5.1
PENGERTIAN PENGEPASAN KURVA DAN REGRESI
5.2
NILAI TENGAH DAN STANDAR DEVIASI DATA
SAMPEL
5.3
METODE KUADRAT TERKECIL
5.4
METODE KUADRAT TERKECIL UNTUK KURVA
LINEAR
5.5
LINERISASI KURVA TIDAK LINEAR
5.5.1 Fungsi Eksponensial Umum
5.5.2 Fungsi Eksponensial Asli
5.6
REGRESI POLINOMIAL
5.7
REGRESI LINEAR DENGAN BANYAK VARIABEL
Soal-Soal Latihan

62
62

BAB VI
SOLUSI NUMERIK MASALAH NILAI AWAL
6.1
PENGERTIAN MASALAH NILAI AWAL DAN METODE
LANGKAH TUNGGAL
6.2
APROKSIMASI DERET TAYLOR SEBAGAI FUNGSI
SOLUSI MNA
6.3
APROKSIMASI FUNGSI SOLUSI MNA DENGAN
METOD PICARD
6.4
METODE EULER
6.5
METODE RUNGE-KUTTA
6.5.1 Metode Runge-Kutta Orde Dua
6.5.2 Metode Runge-Kutta Orde Empat
6.6
METODE-METODE BENTUK IMPLISIT
6.6.1 Metode Aturan Nilai Tengah
6.6.2 Metode Gauss-Legendre Orde Empat
Soal-Soal Latihan

81

BAB VII
APLIKASI-APLIKASI METODE NUMERIK
7.1
TEKNIK INTERPOLASI LINEAR UNTUK BELAHAN
POINCARÉ
7.1.1 Pengertian Belahan Poincaré
7.1.2 Konsep Interpolasi Linear Pada Bidang
7.2
SOLUSI NUMERIK SISTEM SUSPENSI MOBIL
7.2.1 Sistem Persamaan Diferensial dan Sistem Suspensi
Mobil
7.2.2 Algoritma Untuk Penyelesaian Masalah Sistem
Suspensi Mobil Dengan Menggunkan Metode Runge
Kutta Orde Empat Bentuk Eksplisit
7.2.3 Eksperimen Numerik

94

99
100

Daftar Pustaka

121

63
65
66
70
70
71
75
77
79

81
83
84
87
89
89
89
91
92
92
92

94
94
95
97
97

Buku Ajar : METODE NUMERIK

1

BAB I
PENDAHULUAN

1.1.

PENGERTIAN METODE NUMERIK

Metode numerik adalah satu-satunya metode alternatif yang ada dalam upaya
menyelesaikan persoalan-persoalan matematis.

Metode yang lain dikenal dengan

sebutan metode analitik. Ada dua alasan umum mengapa pilihan dijatuhkan kepada
metode numerik. Alasan pertama metode ini memberikan keefisienan dan keefektipan di
dalam menyelesaikan perpersolan-persoalan matematis dikarenakan berkembangnya
perangkat keras dan lunak komputer akhir-akhir ini. Alasan yang lain adalah metode
numerik memungkinkan untuk mengkaji parametrik dari persoalan dengan medan yang
bersifat sembarang. Alasan yang terakhir ini lebih bermakna ketidakmampuan metode
analitik untuk menyelesaikan persolan-persoalan matematis aplikasi yang kompleks.
Dalam banyak literatur analisa numerik diungkapkan bahwa di dalam metode numerik
keputusan menerima atau menolak suatu jawaban aproksimasi berdasarkan kepada
toleransi kedekatan yang disepakati. Toleransi yang dibuat menyangkut kesepakatan
kesalahan/galat yang ditimbulkan oleh rumus/formula yang digunakan. Tentu semakin
kecil kesalahan/galat yang ditimbulkan oleh penggunaan suatu rumus/formula maka
semakin baik hasil aproksimasi yang dihasilkan.
Kemajuan teknologi komputer saat ini memberi peluang besar untuk mendapatkan nilai
aproksimasi yang cepat dan akurat yang pada akhirnya meringankan kerja si pengguna
metode numerik. Hal ini didasari pada kenyataan bahwa metode-metode yang sudah ada
maupun yang sedang dikembangkan memerlukan proses interasi yang cukup panjang.
Oleh karena itu tidak cukup memadai bila dikerjakan dengan cara manual maupun
menggunakan kalkulator biasa yang telah dikenal.

Ada banyak contoh aplikasi

matematika yang mengharuskan pilihan dijatuhkan kepada metode numerik ketimbang
metode analitik. Contoh yang dimaksud dua diantaranya adalah:
Contoh 1.1. (Disari dari Turner (1988))
Diberikan sebuah sistem persamaan diferensial orde satu dalam bentuk

JURUSAN MATEMATIKA FMIPA UNILA

Created by Jack 2006


2

dx
dy
dz

dt
dt
dt

= A sin z + C cos y ( mod 2π )
= B sin x + A cos z ( mod 2π )

(1.1)

= C sin y + B cos x ( mod 2π ) .

Sistem ini dikenal dengan sebutan Flow ABC (Arnold–Beltrami-Childress).

Pada

koordinat bujur sangkar, system tersebut periodik dengan periode 2-π pada x, y, and z.
Ketika A dan B sama dengan satu dan C sama dengan nol, system di atas terintegralkan,
selain itu ia tidak terintegralkan.
Contoh 1.2. (Disari dari Sediawan dan Prasetya (1997)
Karakteristik pompa sentrifugal yang digunakan untuk membantu proses pengaliran
cairan dari sebuah tangki (L1) ke tangki lain (L2) melalui sebuah pipa berdiameter D
adalah terletak pada hubungan antara Head pompa ( H m ) dalam satuan centimeter dengan
Debit ( Q ) dalam satuan centimeter kubik per detik. Model matematika untuk
karakteristik pompa demikian diberikan dalam bentuk
H m = 3718,5 − 2,3495 Q + 7,84774−4 Q 2 − 9,5812x10−8 Q 3

(1.2)

Contoh ini memberikan gambaran kepada kita bahwa betapa suatu model matematika
yang dibentuk dari fenomena alam memerlukan jawaban numeris yang akan memberikan
arti.
Dengan menggunakan metode numerik kedua persoalan matematis di atas dapat
diselesaikan. Sebaliknya metode analitik sungguh sulit digunakan menyelesaikan kedua
persamaan matematis yang diberikan dalam Contoh 1.1 dan Contoh 1.2. Gambaran yang
diberikan oleh kedua contoh di atas adalah cukup beralasan jika seorang problem solver
yang menangani persoalan matematis memiliki kemampuan metode numerik dan
ketrampilan menggunakan media komputer sebagai alat bantu untuk menyelesaikan
persoalan-persoalan yang sulit ketika akan dilakukan secara analitik.
Hal yang hampir tidak mungkin dilakukan jika menggunakan metode numerik adalah
tidak melibatkan alat komputasi (Kalkulator atau Komputer). Salah satu alasan yang
paling krusial adalah metode numerik selalu melibatkan cara iterasi (proses yang
berulang).
Berikut ini sejumlah perangkat lunak yang dapat digunakan untuk menerapkan suatu
metode numerik :



3

SPREADSHEET
TURBO PASCAL
FORTRAN
MATHEMATICA
MAPLE
BASIC
C++
TURBO C
Mempelajari

metode

numerik

di

perguruan

tinggi

dimaksudkan

untuk

mempersiapkan/membekali mahasiswa bersangkutan tentang konsep dasar dan teknik
menggunakan metode numerik di dalam menyelesaikan persoalan-persoalan matematis.
Dari maksud ini, tujuan yang ingin dicapai adalah mahasiswa diharapkan mampu
menggunakan metode numerik secara baik dan benar di dalam menyelesaikan persoalan
matematis yang dihadapi dan mampu mengembangkan wawasan pemikiran tentang
konsep metode numerik lanjutan dan penggunaannya.
1.2.

BILANGAN DAN ANGKA SIGNIFIKAN

Ada dua klasifikasi bilangan real yang dikenal dalam matematika yaitu bilangan eksak
dan non eksak. Bilangan eksak terdiri dari bilangan asli, bulat, rasional dan irasional
(yang ditulis dalam bentuk
dengan

sebutan

2 , π, dan e, misalnya). Bilangan non eksak dikenal juga

bilangan

aproksimasi

yakni

bilangan

hasil

pembulatan/pendekatan/hampiran dari suatu bilangan eksak (biasanya bilangan irasional
yang ditulis dalam bentuk bilangan desimal “terbatas”). Bilangan-bilangan aproksimasi
dinyatakan dengan bilangan yang mempunyai derajat ketelitian. Misalnya, bilangan π
diaproksimasi menjadi 3,1416 (teliti hingga empat tempat desimal), atau 3,14159265
(teliti hingga delapan tempat desimal). Sementara itu nilai eksak dari π adalah bilangan
desimal tak terbatas sehingga tidak mungkin dapat ditulis.
Angka-angka yang menyatakan suatu bilangan disebut angka-angka signifikan. Jadi
bilangan-bilangan 3,1416; 0,66667 dan 4,0687 masing-masing memuat lima angka




4

signifikan. Bilangan 0,0023 hanya mempunyai dua angka signifikan yaitu 2 dun 3,
karena nol hanya menentukan tempat dari titik desimal.
Seringkali diinginkan untuk memotong/menyingkat penulisan bilangan-bilangan yang
tersusun panjang yang terdapat dibelakang tanda koma “,” (versi indonesia) atau tanda
titik

“.”

(versi

western)

misalnya

12,345678912344

(versi

indonesia)

atau

12.345678912344 (versi western) yang memiliki 12 angka dibelakang tanda koma versi
indonesia. Proses pemotongan bilangan seperti itu disebut Pembulatan. Secara umum,
bilangan-bilangan yang dibulatkan mengikuti aturan berikut:
Untuk membulatkan suatu bilangan sampai ke n angka signifikan, hilangkan semua
bilangan yang ada setelah angka ke n+1. Apabila bilangan tepat ke n+1 yang dihilangkan
tersebut berkondisi
(a) kurang dari 5 (setengah satuan), maka angka ke n tidak berubah (tetap ).
(b) lebih besar dari 5 (setengah satuan), maka angka ke n bertambah satu (satu
satuan).
(c) tepat 5 (setengah satuan), maka angka ke n bertambah satu (satu satuan) bila
angka ke n ganjil, selain itu tetap.
Bilangan yang dibulatkan disebut teliti sampai n angka signifikan.
Contoh 1.3. Bilangan-bilangan berikut dibulatkan sampai empat angka signifikan :
1,6583

1,658

30,0567

ke

30,06

0,859378

ke

0,8594

3,14159
1.3.

ke

ke

3,142

KONSEP DASAR KALKULUS : NILAI ANTARA DAN DERET TAYLOR

Dalam bagian ini dikemukakan beberapa teorema tanpa pembuktian (bukti dapat dilihat
pada buku-buku kalkulus) yang akan digunakan di dalam bagian berikutnya.
Teorema 1.1
Bila

f ( x ) kontinu dalam a < x < b dan f ( a ) dengan f ( b ) berlawanan tanda, maka

f (α ) = 0 untuk suatu bilangan α sedemikian hingga a < α < b .




5

Teorema 1.2
Bila : (i) f ( x ) kontinu dalam a < x < b
(ii) f ′ ( x ) ada dalam a < x < b , dan
(iii) f ( a ) = f ( b ) = 0
maka ada paling sedikit satu nilai x, sebutlah α , sedemikian hingga f ′ (α ) = 0 dengan
a <α < b.
Teorema 1.3
Bila : (i) f ( x ) kontinu dalam a ≤ x ≤ b
(ii) f ′ ( x ) ada dalam a < x < b , dan
maka, ada paling sedikit satu nilai x = α , sedemikian
hingga
f ′ (α ) =

f (b ) − f ( a )
, dengan a < α < b
b−a

(1.3)

Bila b = a + h, teorema tersebut dapat dinyatakan dengan bentuk :
f ( a + h ) = f ( a ) + hf ′ ( a + θ h ) , dengan 0 < θ < 1

Teorema 1.4
Bila f ( x ) kontinu dan memiliki turunan ke n yang kontinu dalam suatu interval yang
memuat x = a , maka di dalam interval tersebut berlaku
f ( x) = f (a) + ( x − a) f ′(a)

( x − a)
+
2!

2

f ′′ ( a ) +

( x − a)
+
( n − 1)!

n −1

f ( n −1) ( a ) + Rn

(1.4)

dengan Rn ( x ) adalah suku sisa yang dapat dinyatakan dalam bentuk
Rn ( x )

( x − a)
=

n

n!

f ( n ) (α ) , a < α < x

(1.5)

Bila a = 0 maka deret Taylor di atas dikenal dengan sebutan deret Maclaurin.
f ( x ) = f ( 0 ) + xf ′ ( 0 ) +


x2
f ′′ ( 0 ) +
2!

+

x n ( n −1)
f
( 0) +
n!

(1.6)



6

Teorema 1.5 (Deret Taylor untuk fungsi dengan dua variabel).
f ( x1 + ∆x1 , x2 + ∆x2 ) = f ( x1 , x2 ) +

∂f
∂f
∆x1 +
∆x2 +
∂x1
∂x2

1  ∂2 f
∂2 f
∂2 f
2
2
∆x1 ⋅ ∆x2 + 2 ( ∆x2 )  +
 2 ( ∆x1 ) + 2
2  ∂x1
∂x1∂x2
∂x2


1.4.

(1.7)

GALAT DAN TOLERANSI DALAM METODE NUMERIK

1.4.1 Galat
Di dalam pemakaian praktis, penyelesaian akhir yang diperlukan berbentuk numerik.
Misalnya, set dari tabulasi data yang diberikan dan kesimpulan-kesimpulan yang dimiliki
gambar dari data tersebut; atau penyelesaian suatu sistem persamaan linear yang
diberikan. Metode/cara yang ditempuh dengan melibatkan bilangan/angka tertentu
dikenal dengan metode numerik. Tujuan dari metode numerik adalah memberikan
metode-metode yang efisien untuk memperoleh jawaban numerik dari bermacam-macam
permasalahan.
Untuk menyelesaikan suatu masalah biasanya dimulai dengan sebarang data awal
kemudian dihitung, selanjutnya dengan langkah-langkah (pengolahan) tertentu, akhirnya
diperoleh suatu penyelesaian. Data numerik adalah suatu aproksimasi (taksiran) yang
sesusai sampai dengan dua, tiga, atau lebih tempat desimal. Kadang metode yang
digunakanpun, adalah suatu aproksimasi. Oleh sebab itu galat dalam hasil perhitungan
mungkin disebabkan oleh galat data, atau galat di dalam pemakaian suatu metode, atau
kedua-duanya. Dalam bagian ini akan dibicarakan ide dasar tentang galat.
a. Tipe Galat
Galat Inheren (Inherent Error).
Galat inheren merupakan galat bawaan akibat penggunaan suatu metode numerik.
Akibat perhitungan numerik yang sebagian besar adalah tidak eksak, dapat menyebabkan
data yang diperoleh adalah data aproksimasi. Selain itu, keterbatasan dari alat komputasi
seperti tabel matematika, kalkulator atau komputer digital juga membuat perhitungan
numerik tidak eksak. Karena keterbatasan tersebut, bilangan-bilangan yang diperoleh




7

adalah hasil pembulatan. Di dalam perhitungan, galat inheren dapat diperkecil melalui
penggunaan data yang besar, pemeriksaan galat yang jelas dalam data, dan penggunaan
alat komputasi dengan ketelitan yang tinggi.
Galat Pemotongan (Truncation Error)
Galat ini disebabkan oleh adanya penghilangan sebarisan suku dari suatu deret/ekspansi
untuk tujuan peringkasan pekerjaan perhitungan. Galat pemotongan adalah galat yang tak
dapat dihindarkan.
b. Jenis Galat
Galat Mutlak
Galat mutlak adalah selisih numerik antara besar nilai sebenarnya dengan nilai
aproksimasinya. Jadi, bila x besar nilai yang sebenarnya, dan x1 nilai pendekatannya
(aproksimasinya), maka galat mutlak (Absolut Error) Ea didefinisikan dengan
Ea = x − x1 = δ x

(1.8)

Galat Relatif
Galat Relatif ER didefinisikan dengan
ER =

EA δ x
=
x
x

(1.9)

Kemudian persentase galat dihitung dari galat relatif yang diberikan dalam bentuk
PE = 100 ER

(1.10)

Galat Global
Misal u = f ( x1 , x2 ,

, xn ) adalah fungsi dengan variabel banyak xi = (1, 2,

, n ) , dan

misalkan galat dari tiap xi adalah ∆xi . Galat ∆u dari u diberikan dalam bentuk
u + ∆u = f ( x1 + ∆x1 , x2 + ∆x2 ,

, xn + ∆xn )

Perluasan ruas kanan dari galat global tersebut oleh deret Taylor (Teorema 1.5)
menghasilkan




8

u + ∆u = f ( x1 , x2 ,

n

, xn ) + ∑
i =1

∂f
∆xi
∂xi

+ semua suku yang memuat ( ∆xi )

2

(1.11)

+ semua suku yang lain.
Anggap bahwa galat dalam xi adalah kecil dan

∆xi
xi

1 . Kemudian semua suku setelah

suku ke dua pada ruas kanan persamaan di atas diabaikan. Persamaan (1.4) menjadi
n

∆u ≈ ∑
i =1

∂f
∂f
∂f
∆xi =
∆x1 +
∆x2 +
∂xi
∂x1
∂x2

+

∂f
∆xn
∂xn

(1.12)

Bila diperhatikan formula (1.12) bentuknya sama dengan diferensial total dari u. Formula
untuk galat relatif adalah sebagai berikut:
ER =

∆u ∂u ∆x1 ∂u ∆x2
∂u ∆xn
.
.
.
=
+
+ ... +
u
∂x1 u ∂x2 u
∂xn u

(1.13)

Contoh berikut adalah ilustrasi dari penggunaan formula (rumus) tersebut.
Contoh 1.4.
Misal u =

5xy 2
z3

maka
∂u 5 y 2 ∂u 10 xy ∂u 15 xy 2
5 y2
10 xy
15 xy 2
= 3 ,
= 3 ,
=
, dan ∆u = 3 .∆x + 3 .∆y − 4 .∆z
∂x
z ∂y
z
∂z
z4
z
z
z
∆x, ∆y, dan ∆z dapat bernilai positif atau negatif. Karena itu diberikan nilai mutlak pada
suku-suku di ruas kanan persamaan di atas, sehingga diperoleh

( ∆u )maks ≈

5 y2
10 xy
15 xy 2
∆x + 3 ∆ y +
∆z
z3
z
z4

Bila ∆x = ∆y = ∆z = 0, 001 dan x = y = z = 1 , maka galat relatif maksimum adalah

( ER )maks =

( ∆u )maks
u

=

0, 03
= 0, 006
5

Galat dalam Aproksimasi Deret
Galat yang ada dalam aproksimasi suatu deret dapat dievaluasi oleh sisa sesudah sukusuku ke n. Pandang deret Taylor untuk f(x) pada x = a yang diberikan dalam bentuk




f ( x) = f ( a) + ( x − a) f '(a)

9

( x − a)
+
2!

2

( x − a)
f '' ( a ) + ... +
( n − 1)!

n −1

f n −1 ( a ) + Rn ( x ) .

Suku terakhir dalam deret di atas dikenal dengan sebutan suku sisa deret Taylor yang
didefinisikan sebagai berikut
Rn ( x )

( x − a)
=
n!

n

f n (α ) , a < α < x .

Untuk suatu barisan yang konvergen, suku-suku sisa akan mendekati nol untuk n → ∞ .
Jadi, bila kita mengaproksimasi f(x) oleh n suku pertama dari deret tersebut maka galat
maksimum yang dibuat dalam aproksimasi tersebut diberikan oleh suku sisa.
Contoh 1.5.
Ekspansi McLaurin untuk e x diberikan oleh:
ex = 1 + x +

x 2 x3
x n −1
xn
+ + ... +
+ eα , 0 < α < x
2! 3!
( n − 1)! n !

akan dicari n, yaitu banyaknya suku-suku, sedemikian hingga jumlahnya sama dengan e x
teliti sampai 8 tempat desimal pada x = 1.
Ternyata, galat sukunya adalah

xn α
e , dan untuk α = x memberikan galat mutlak
n!

maksimum, dan karenanya galat relatif maksimumnya adalah

xn
.
n!

Bila dihitung teliti sampai 8 desimal di x = 1, maka kita peroleh:
1 1
< • 10−8
n! 2
yang memberikan n = 12. Jadi, diperlukan 12 suku dari deret eksponsial dalam urutan itu
yang jumlahnya teliti sampai 8 desimal.
1.4.2 Toleransi
Dalam menyikapi galat yang dijumpai perlu adanya batasan nilai galat yang diterima
yang disebut dengan nilai toleransi. Toleransi biasa disingkat dengan Tol didefinisikan
sebagai batas penerimaan suatu galat. Dari pengertian ini yang dimaksud dengan
Toleransi Galat Mutlak adalah nilai mutlak dari selisih nilai eksak (nilai sebenarnya)
dengan nilai aproksimasi dan dinotasikan dengan :
x − x1 ≤ ∆x



10

Selain itu ukuran ketelitian relatif di notasikan dengan
∆x ∆x
≈
.
x
x1

Contoh 1.8.
Bila x adalah bilangan yang dibulatkan ke N tempat desimal, maka ∆x =

1 −N
⋅10
2

1
Bila x < 0.51 maka x teliti sampai 2 tempat desimal, sehingga ∆x = 10−2 = 0.005
2
dan ketelitian relatifnya adalah

∆x 0.005
=
≈ 0.98% .
x
0.51

Soal-soal latihan.
1. Bulatkan bilangan-bilangan berikut menjadi bilangan dengan dua tempat desimal.
48, 21416

2,3742

52, 275

2. Bulatkan bilangan-bilangan berikut ke 4 angka signifikan
0, 70029

38, 46235

0, 00222218

3. Diketahui u = 3v 7 − 6v . tentukan persentase galat dalam u pada v = 1 bila galat dalam
v adalah 0,05.
4. Tentukan banyaknya suku dari deret eksponensial sedemikian hingga
jumlahnya adalah nilai dari e x teliti sampai lima tempat desimal untuk semua
nilai x dalam 0 ≤ x ≤ 1 .
5. Ekspansi dari fungsi f ( x ) = tan −1 x adalah
tan −1 x = x −

2 n −1
x3 x5
n −1 x
+ − ... + ... + ( −1) .
+ ...
3 5
2n − 1

Tentukan n sedemikian sehingga deret tan −1 1 dapat ditentukan teliti sampai 8
angka signifikan.




11

BAB II
METODE NUMERIK UNTUK MENYELESAIKAN
PERSAMAAN ALJABAR DAN/ATAU TRANSENDEN

Di dalam kerja ilmiah dan teknik sering dijumpai suatu masalah berkenaan dengan
upaya menyelesaikan persamaan yang berbentuk:
f ( x) = 0

(2.1)

Menyelesaikan persamaan (2.1) maksudnya adalah mencari suatu nilai berkenaan dengan
peubah x sedemikian hingga persamaan tersebut bernilai benar. Nilai-nilai yang
dimaksud biasanya disebut dengan nilai-nilai akar.
Bila f ( x ) berbentuk fungsi polinom sederhana (kuadrat, pangkat tiga, atau pangkat
empat) maka ada rumus-rumus aljabar (metode faktorisasi dan metode “pembagian suku
banyak, misalnya) dapat digunakan untuk menentukan nilai-nilai akarnya. Sebaliknya,
bila f ( x ) suatu polinom berderajat lebih tinggi atau berbentuk transenden seperti,
1 + cos ( x ) − 5 x , x tan ( x ) − cosh ( x ) , e x − sin ( x ) , dan seterusnya,
tidak tersedia metode aljabar untuk solusinya. Oleh karena itu harus ditempuh dengan
cara aproksimasi.
Dalam bagian ini, akan dibicarakan beberapa metode numerik untuk
menyelesaikan permasalahan (2.1) dengan f ( x ) adalah fungsi aljabar dan/atau
transenden.

2.1. METODE BISEKSI (BISECTION METHOD)
Dinamakan metode biseksi (Bi Section) didasarkan atas teknis metode ini adalah “belah
dua”. Metode Biseksi diformulasikan berdasarkan Teorema 1.1 yang menyatakan bahwa
bila fungsi f ( x ) kontinu dalam selang/interval ( a, b ) , dan f ( a ) dan f ( b ) berlawanan
tanda, maka f (α ) = 0 untuk suatu bilangan α sedemikian hingga a < α < b .




12

Dengan metode Biseksi, nilai α pertama kali diaproksimasi dengan memilih x0 yang
didefinisikan dengan x0 =

a+b
. Bila f ( x0 ) = 0 atau f ( x0 ) “dekat” kepada nilai 0
2

untuk suatu nilai toleransi yang diberikan maka x0 adalah nilai akar dari f ( x ) = 0 .
Sebaliknya bila f ( x0 ) ≠ 0 atau f ( x0 ) “dekat” kepada nilai 0 tetapi tidak memenuhi
suatu nilai toleransi yang diberikan, maka berdasarkan Teorema 1.1 ada dua
kemungkinan yakni nilai akar berada di antara a dan x0 atau nilai akar berada di antara
x0 dan b. Dari salah satu kemungkinan ini, metode Biseksi kembali akan digunakan.
Secara geometris, metode Biseksi yang dikemukan di atas diilustrasikan melalui gambar
grafik berikut ini.
y
Nilai Akar/
Karakteristik
f(α) = 0

(b, f(b)
(x1, f(x1)
x0
b

x1

a

x

(x0, f(x0)

(a, f(a)

f(x)

Gambar 2.1

Contoh 2.1
Carilah nilai akar dari persamaan f ( x ) = x3 − x − 1 = 0 .
Penyelesaian:
Pilih a = 1 dan b = 2. Karena f (1) negatif dan f ( 2 ) positif, maka salah satu akar
terletak diantara 1 dan 2 (Teorema 1.1.). Oleh karena itu x0 =

3
= 1,5 . Kemudian, karena
2

3

7
3 3 3
f   =   − − 1 = (positif) maka akar karakteristik terletak antara 1 dan 1,5.
8
2 2 2




13

1 + 1, 25
19
= 1, 25 . Karena f ( x1 ) = f (1, 25 ) = −
(negatif),
2
64

Kondisi ini memberikan x1 =

nilai akar yang dicari terletak diantara 1,25 dan 1,5. Sehingga diperoleh
x2 =

1, 25 + 1,5
= 1,375 .
2

Bila prosedur di atas diulang kembali hingga x5 diperoleh nilai-nilai aproksimasi berikut:
x3 = 1,3125 , x4 = 1,34375 , x5 = 1,328125 .

2.2. METODE ITERASI
Dalam proses iteratif, dimulai dengan aproksimasi x0 untuk suatu akar α dan dari hasil
tersebut dilakukan aproksimasi x1 sebelum aproksimasi x2 demikian seterusnya. Dengan
proses yang efektif nilai-nilai yang diperoleh x1 , x2 , x3 ,
akar α .

makin lama makin mendekati

Proses tersebut diteruskan sehingga aproksimasi dengan ketelitian yang

diinginkan diperoleh. Jadi untuk suatu proses iteratif kita perlukan kedua hal berikut :
(i)

Aproksimasi x0 , dan

(ii)

Metode atau formula untuk memperoleh aproksimasi xn+1 dalam suku-suku
dari aproksimasi xn

2.2.1. Metode Iterasi Sederhana
Pandang persamaan (2.1) yang ingin diselesaikan. Ubahlah persamaan tersebut sehingga
berbentuk
x = F ( x)

(2.2)

Pilih x = x0 , kemudian subsitusikan tersebut ke (2.2) hasilnya sebut saja x1 . Oleh karena
itu dipunyai persamaan berikut:
x1 = F ( x0 )
Analog, akan dipunyai sebarisan nilai-nilai x0 , x1 , x2 ,

(2.3)
, xn , xn +1 . Untuk nilai terakhir dari

barisan ini, berdasarkan hasil (2.3) diperoleh hubungan
xn +1 = F ( xn )


(2.3)



14

Cara penyelesaian persaman (2.1) dengan menggunakan formula (2.3) dikenal dengan
sebutan metode Iterasi Sederhana. Proses iterasi dalam metode ini dihentikan ketika
xn +1 − xn ≤ Tol

(2.4)

Contoh 2.2
Carilah akar dari persamaan 2 x 3 − 7 x + 2 = 0 yang sketsa grafiknya ditunjukkan oleh
Gambar 2.2.
y
f(x)

-2

-1

O

1

2

x

Gambar 2.2
Persamaan 2 x 3 − 7 x + 2 = 0 dapat ditulis sebagai
x = F ( x) =

2 3
( x + 1) ,
7

Dari sketsa grafik terlihat bahwa akar positifnya terletak antara 0 dan 1, dan yang lainnya
terletak diantara 1 dan 2. Untuk nilai akar yang berada diantara 0 dan 1.
Pilih aproksimasi awal x0 = 1 . Dengan formula
xn +1 =

(

)

2 3
xn + 1
7

(2.5)

diperoleh hasil berikut :
x1 =

2 3
(1 + 1) = 0,571 (dibulatkan hingga tiga tempat desimal)
7

Subsitusikan nilai x1 = 0,571 ke dalam persamaan (2.5) diperoleh
3
x2 = 2 7 ( 0,571) + 1 = 0,339 .



Dengan cara yang sama menghasilkan nilai-nilai aproksimasi sebagaimana ditampilkan
dalam Tabel 2.1.




15

Tabel 2.1. Daftar Nilai xn dalam Persamaan (2.5) untuk n = 1 hingga 5.

(

n

xn

xn

0
1
2
3
4
5

1
0,571
0,339
0,297
0,293
0,293

1
0,186
0,039
0,026
0,025

3

)

3

2 7 xn + 1
0,571
0,339
0,297
0,293
0,293

Dari Tabel 2.1. diperoleh informasi bahwa proses konvergen ke 0,293 (pembulatan
hingga tiga tempat desimal). Sementara itu, nilai akar eksak dari 2 x 3 − 7 x + 2 = 0
bersesuaian adalah 1 − 1 2 2 = 0, 292893 .... . Ketelitian lebih tinggi untuk solusi dengan
cara iterasi dapat diperoleh bila angka-angka signifikan dipakai lebih banyak di dalam
perhitungan. Misalnya, bila dipakai empat tempat desimal, hasil yang diperoleh adalah
sebagai berikut :
Tabel 2.2. Hasil Modifikasi Isi Tabel 2.1. untuk Ketelitian Hingga Empat Desimal.

(

n

xn

xn

5

0,2929

0,0251

6

)

0,2929

3

3

2 7 xn + 1
0,2929

Catatan : nilai untuk x5 digunakan pembulatan sampai empat desimal dari hasil
3
perhitungan 2 7 ( 0, 293) + 1 .



Tinjau kembali Gambar 2.2. Persamaan 2 x 3 − 7 x + 2 = 0 mempunyai akar positif lain
yang terletak diantara 1 dan 2. Dengan menggunakan formula iteratif yang sama seperti

(

)

3

sebelumnya, yaitu xn = 2 7 xn + 1 dan dengan nilai awal x0 = 2 diperoleh hasil berikut
(dibulatkan sampai tiga desimal) :
Tabel 2.3. Daftar Nilai Aproksimasi dengan Nilai Awal x0 = 2 .
n

xn

xn

0
1
2

2
2,571
5,141

8
16,994
135,876


3

(

3

)

2 7 xn + 1
2,571
5,141
39,107



16

Dalam Tabel 2.3., nilai akar yang diinginkan semakin jauh dari yang diharapkan. Proses
tersebut menghasilkan suatu kedivergenan (nilai akar yang dicari semakin jauh dari hasil
yang diharapkan). Ilustrasi tersebut menunjukkan bahwa tidak semua proses iteratif
adalah konvergen. Proses iterasi yang baru saja dikemukakan tidak dapat dipakai, oleh
karena itu perlu dicari proses iterasi lain untuk persamaan yang diketahui. Berikut adalah
iterasi lain yang dimaksud.
Persamaan yang diketahui yaitu 2 x 3 − 7 x + 2 = 0 dapat ditulis dalam bentuk :
x=

7 xn − 2
, untuk x ≠ 0
2
2 xn

Dan proses iterasinya ditulis dalam bentuk :
xn +1 =

7 xn − 2
2
2 xn

(2.6)

Dimulai dengan nilai awal x0 = 2 , hasil yang diperoleh sebagaimana ditampilkan dalam
Tabel 2.4 berikut ini (dibulatkan sampai dengan tiga tempat desimal):
Tabel 2.4. Tabel Hasil Iterasi Menggunakan Formula (2.6)
2

n

xn

xn

0
1
2
3
...
22
23
24
25
26

2
1,5
1,889
1,573
...
1,709
1,705
1,708
1,706
1,708

4
2,25
3,568
2,474
...
2,922
2,908
2,918
2,911

7 xn − 2

2 xn

12
8,5
11,223
9,011
...
9,963
9,935
9,956
9,942

7 xn − 2
2
2 xn

8
4,50
7,136
4,948
...
5,844
5,816
5,836
5,822

2

1,5
1,889
1,573
1,821
...
1,705
1,708
1,706
1,708

Dari hasil yang ditampilkan dalam Tabel 2.6, diperoleh informasi bahwa proses iterasi
menghasilkan suatu kekonvergenan, walaupun dengan tiga tempat desimal masih belum
sempurna. Apabila dipakai lebih banyak angka signifikan akan diperoleh hasil yang lebih
baik lagi. Bandingkan dengan nilai akar eksak yakni 1 + 1 2 2 = 1, 707106 .
Bentuk lain persamaan 2 x 3 − 7 x + 2 = 0 dapat pula ditulis sebagai




17

1/ 2

 7x − 2 
x=
 dan
 2x 

1/ 3

 7x − 2 
x=

 2 

Formula iteratif untuk masing-masing persamaan tersebut adalah
1/ 2

 7x − 2 
xn +1 =  n +1

 2 xn 

1/ 3

dan

 7x − 2 
xn +1 =  n
 .
 2 

(2.7)

Dari keempat formula iterasi (2.5)–(2.7), hasil iterasinya dapat dibandingkan seperti
ditunjukkan pada Tabel 2.5 berikut :
Tabel 2.5.

Tabel Hasil Iterasi Formula (2.5), (2.6), dan (2.7) Berkenaan dengan Nilai
Awal yang Dipilih dan Kekonvergenannya.

Formula

Nilai Awal

Iterasi

(

)

Hasil

1
2
1
2

Konvergen pada akar 0,292893
Divergen

1/ 2

1
2


1/ 3

1
2


3

xn = 2 7 xn + 1
 7 xn − 2 
xn = 

2
 2 xn 
 7 xn − 2 
xn = 

 2 xn 
 7 xn − 2 
xn = 

 2 

2.2.2. Metode Iterasi Konvergen
Dalam metode iterasi konvergen penyelesaian x = F ( x ) oleh formula iteasi
xn +1 = f ( xn ) akan konvergen ke akarnya, bila F ' ( x ) < 1 .

Teorema 2.1.
Misal x = α adalah akar dari f ( x ) = 0 dan I adalah sebuah interval yang memuat titik
x = α . Misal F ( x ) dan F ' ( x ) kontinu dalam I dengan F ( x ) didefinisikan oleh
persamaan x = F ( x ) yang ekuivalen dengan f ( x ) = 0 . Maka bila
F ' ( x ) < 1,


(2.8)



18

untuk setiap x dalam I, barisan dari aproksimasi x0 , x1 , x2 ,..., xn yang didefinisikan oleh
xn +1 = f ( xn ) akan konvergen ke akar α , dengan aproksimasi awal x0 dipilih dalam
interval I.
Bukti :
Karena α akar dari persamaan x = f ( x ) , kita peroleh
α = F ( x)

(2.9)

dan dari xn +1 = F ( xn ) , kita peroleh
x1 = F ( x0 ) .

(2.10)

α − x1 = F (α ) − F ( x0 ) .

(2.11)

Eliminasi (2.9)-(2.10) menghasilkan

Dengan menggunakan Teorema 1.3, ruas kanan dari persamaan (2.11) dapat ditulis
sebagai

(α − x1 ) F ' (α 0 ) , untuk

x0 < α < α 0

Berdasarkan itu kita peroleh
α − x1 = (α − x0 ) F ' (α 0 ) , x0 < α 0 < α

(2.12)

Dengan cara yang sama dapat diperoleh juga
α − x2 = (α − x1 ) F ' (α1 ) , x1 < α1 < α
α − x3 = (α − x2 ) F ' (α 2 ) , x2 < α 2 < α

(2.13)

…
α − xn +1 = (α − xn ) F ' (α n ) , xn < α n < α
Bila dimisalkan
F ' (α i ) ≤ K < 1 , untuk semua i

(2.14)

maka persamaan (2.12) – (2.14) memberikan
α − x1 ≤ α − x0
α − x2 ≤ α − x1 , dan seterusnya.
Hasil ini menunjukkan bahwa tiap-tiap aproksimasi tetap di dalam I, dengan aproksimasi
awal x0 dipilih dalam I. Subsitusi (2.12) ke persamaan pertama dalam (2.13), kemudian
hasilnya disubsitusikan ke persamaan berikutnya dalam (2.13) menghasilkan :
α − xn +1 = (α − x0 ) F ' (α 0 ) F ' (α1 ) ...F ' (α n )

(2.15)


19

Karena F ' ( xi ) < K , maka persamaan (2.15) memberikan
α − xn +1 ≤ K n +1 α − x0

(2.16)

Untuk n → ∞ , ruas kanan dari (2.16) akan mendekati nol, dan selanjutnya barisan dari
aproksimasi x0 , x1 ,... konvergen ke akar-akar α bila K<1.
Secara geometris, metode iterasi konvergen dapat dipresentasikan sebagai berikut.
y

y
y = F(x)

y=x

y = F(x)

y=x

x

x

Gambar 2.3

Gambar 2.4

Perhatikan gambar-gambar di atas. Gambar 2.3 menunjukkan bahwa suatu metode iterasi
adalah kovergen, sedangkan Gambar 2.4 divergen.
Contoh 2.3.
Carilah akar real dari persamaan f ( x ) = 2 x3 − 7 x + 2 = 0 dengan menggunakan metode
iterasi konvergen
Penyelesaian
Untuk masing-masing bentuk formula iteratif dari f ( x ) = 2 x3 − 7 x + 2 = 0 yakni:
(i)

Untuk formula iteratif (2.5):

F1 ( x ) =

2 3
6
( x + 1) dan F1′ ( x ) = 7 x 2 . Oleh karena itu untuk nilai-nilai x di dalam [0,1],
7

F ' ( x ) < 1 . Dengan demikian formula tersebut dapat digunakan dengan nilai awal x0
sembarang di dalam interval guna menentukan akar tersebut. Untuk nilai x0 = 1 , ilustrasi
proses iterasi konvergen dapat dilihat pada Gambar 2.5. Andaikan pilihan x0 = 0, 2928 ,
sehingga F '1 ( 0, 2928 ) = 0, 0735 ... yang jauh lebih kecil dari 1. Proses iterasi akan
menjadi sangat cepat. Tetapi, untuk nilai akar lain yakni α yang menyatakan akar positif
terbesar (α ≈ 1, 7 ) , formula iteratif


(2.5) memberikan ( F '1 ( x ) > 1 untuk semua



20

x > 7 / 6 ≈ 1, 7 ). Akibatnya, formula (2.5) tidak akan memberikan proses yang
konvergen untuk nilai awal x0 > 1,7 . Untuk menunjukkan ini, pilih x0 = 2 yang
menghasilkan iterasi yang divergen. Prosesnya diilustrasikan secara grafik pada Gambar
2.6
y

y

y = F(x)

y =x

y =x

y = F(x)

x

x
Gambar 2.5
(ii)

Gambar 2.6

Untuk formula iteratif (2.6):

Misalkan F2 ( x ) =

4 − 7x
7x − 2
. Karenanya F '2 ( x ) =
. Dapat diperiksa bahwa untuk
2
2x
2 x3

tiap x di dalam interval [0,1/2] diperoleh F '2 ( x ) > 1 . Jadi formula iteratif xn +1 = F2 ( xn )
tidak bisa dipakai untuk menentukan nilai akar dalam interval tersebut. Pilih x0 = 1 .
Proses iterasi tersebut tidak konvergen ke akar tersebut, dan proses itu diperlihatkan pada
Gambar 2.7.

Tetapi dapat ditunjukkan bahwa F '2 ( x ) < 1 untuk setiap x di dalam

[3/2 , 2] dan untuk suatu nilai awal x0 dalam interval tersebut formula xn +1 = F2 ( xn )
akan memberikan proses yang konvergen ke akar persamaan yang diberikan. Kita
peroleh hasil yang konvergen ke akar persamaan tersebut dengan nilai awal x0 = 2 .
proses tersebut diperlihatkan oleh grafik pada Gambar 2.8.




21

Gambar 2.7

Gambar 2.8

1/ 2

(iii)

 7 xn − 2 
Untuk formula iteratif xn +1 = 

 2 xn 

.

 ( 7 x − 2) 
1  2x 
Diketahui bahwa turunan pertama F3 ( x ) = 
 adalah F '3 ( x ) = 2 
 .
2x  7x − 2 
 2x 
12

12

Formula iteratif tersebut tidak dapat dipakai di dalam interval 0 < x < 2 7 , karena untuk
setiap x di dalam interval tersebut akan diperoleh akar pangkat dua dari bilangan negatif.
Demikian pula, untuk setiap x di dalam interval (2/7,1/2) akan diperoleh F '3 ( x ) > 1 .
Jadi formula xn +1 = F3 ( xn ) tidak dapat dipakai untuk menghitung akar terkecil. Tetapi
apabila dilakukan pada x di dalam interval [3/2, 2] yang memuat akar terbesar, formula
iteratif xn +1 = F3 ( xn ) akan memberikan proses yang konvergen untuk akar terbesar.
1/ 3

(iv)

 7 xn − 2 
Untuk formula iteratif xn +1 = 
 .
2 

13

Misalkan

 7x − 2 
F4 ( x ) = 

 2 

7 2 
F '4 ( x ) = 

6  7x − 2 

23

.

Turunan

pertama

fungsi

ini

adalah

. Bila diperiksa ternyata F '4 ( x ) > 1 untuk setiap x di dalam

interval (2/7,1/2). Jadi formula xn +1 = F4 ( xn ) tidak dapat dipakai untuk menentukan akar
terkecil. Tetapi dapat ditunjukkan bahwa | F '4 ( x ) < 1 untuk setiap x di dalam [3/2,2]
yang memuat akar terbesar. Atas dasar itu, untuk nilai awal x0 dalam [3/2,2], formula
xn +1 = F4 ( xn ) akan memberi proses konvergen untuk akar terbesar.




22

Dari hasil perhitungan di atas dapat dikemukakan hal0hal sebagaimana ditunjukan
dalam Tabel 2.6. berikut :
Tabel 2.6. Beberapa formula iteratif berkenaan dengan persamaan 2 x 3 − 7 x + 2 = 0
dengan menggunakan iterasi konvergen.
Formula
Iterasi

xn +1 =

7 xn − 2
2
2 xn

F '( x)

Hasil

6 7 x2

)

3

xn +1 = 2 7 xn + 1

Interval I
[0,1]

<1

[1,2]

(

F '( x)

>1

Konvergen ke akar dalam
I untuk sebarang nilai
awal dalam I.
Divergen

[0,1/2]
[3/2,2]

>1
<1

[2/7,1/2]
[3/2,2]

>1
<1

4 − 7x
2x3
1/ 3

 7 xn − 2 
X n +1 = 

 2 

 2 

 7x − 2




2/3

Divergen
I untuk sembarang nilai
awal dalam I
Divergen
I untuk sembarang nilai
awal dalam I.

Diagram alur (Flow Chart) untuk proses iterasi (metode iterasi konvergen) adalah
sebagai berikut
MULAI

Baca nilai
Nilai x lama, tol

Hitung xbaru
xbaru ← xlama
TIDAK

Cetak
nilai x

|xlama–xbaru| < tol

YA

BERHENTI




23

2.3. METODE NEWTON
Metode NEWTON didasarkan pada aproksimasi linear fungsi dan menggunakan prinsip
y

f ( x0 )

θ
O

x1

x0

y = f (x)

x

Gambar 2.9.
kemiringan (Tangen) kurvanya. (Lihat Gambar 2.9).
Kalkulasi dengan metode Newton diawali dengan x0 yang tidak terlalu jauh dari sebuah
akar, bergerak sepanjang garis linear (kemiringan atau tangen garis) ke perpotongannya
di sumbu-x, dan

mengambilnya sebagai titik aproksimasi untuk yang berikutnya.

Perlakuan ini diteruskan hingga nilai-nilai x dirasakan sukses cukup dekat ke fungsi
bernilai nol. Skema kalkulasinya mengikuti segitiga yang dibangun dengan sudut
inklinasi dari kemiringan garis pada kurva di x = x0 yaitu
tan (θ ) = f ′ ( x0 ) =

f ( x0 )
f ( x0 )
atau x1 = x0 −
f ′ ( x0 )
( x0 − x1 )

(2.17)

Aproksimasi berikutnya diteruskan dengan menghitung x2 dengan skema yang sama
dimana nilai x0 digantikan oleh x1 . Secara umum metode Newton dirumuskan oleh
skema berikut ini:
xn +1 = xn −

f ( xn )
.
f ′ ( xn )

(2.18)

2.4. METODE POSISI SALAH (REGULA FALSI)
Untuk menghitung nilai akar dari f ( x ) = 0 dapat digunakan metode Posisi Salah/Regula
Falsi (RF). Aturan dari metode RF diterangkan secara geometri dalam Gambar 2.10.
Dalam gambar yang dimaksud, sketsa grafik dari kurva dinyatakan oleh persamaan
y = f ( x ) . Akar dari f ( x ) = 0 yang dicari dinyatakan oleh koordinat x dari titik P yang




24

merupakan perpotongan dari kurva y = f ( x ) dengan sumbu x . Untuk menggunakan
aturan RF, diperlukan dua titik, A (α , f (α ) ) dan B0 ( x0 , f ( x0 ) ) misalnya, sedemikian
sehingga garis lurus AB0 memotong sumbu x di titik P ( x1 , 0 ) .
1
y

( α , f(α) )

A

P
O

α

P2 (x2 , 0) P1 (x1 , 0)

B2 (x2 , f(x2) )
B1 (x1 , f(x1) )

y = f(x)

x0

x

B0 (x0 , f(x0) )

Gambar 2.10
Proses selanjutnya adalah menghitung nilai x1 melalui persamaan garis AB0 yang
memotong sumbu x di titik P1. Setelah itu dengan menggunakan koordinat titik P1 yakni

( x1 ,0 )

dapat ditentukan titik B1dengan koordinat ( x1 , f ( x1 ) ) . Dengan demikian garis

AB1 akan memotong sumbu x di titik P2 dengan koordinat ( x2 ,0 ) . Demikian proses ini
terus dilakukan hingga diperoleh kondisi Pn sangat dekat ke P yakni Pn − P < toleransi .
Dari proses pencapaian nilai akar di titik P, dihasilkan barisan nilai-nilai x0 , x1 , x2 , ..., xn
yang diharapkan akan konvergen ke absis x pada titik P, yaitu akar yang dicari dari
persamaan yang diberikan.
Secara analitik, penjelasan geometris dari metode RF dapat dijelaskan berikut :
Persamaan garis AB0 adalah
y − f (α ) =

f ( x0 ) − f (α )
( x −α )
x0 − α

(2.19)

Persamaan (2.19) melalui titik P ( x1 , 0 ) , maka diperoleh
1
− f (α ) =
⇔ x1 =


f ( x0 ) − f (α )
( x1 − α )
x0 − α
α f ( x0 ) − x0 ⋅ f (α )
f ( x0 ) − f (α )

(2.20)



25

Demikian juga dengan persamaan garis AB1 yakni
f ( x1 ) − f (α )
(x −α ) ,
x1 − α

y − f (α ) =

(2.21)

persamaan (2.21) melalui titik P2 ( x2 ,0 ) . Oleh karena itu diperoleh

x2 =

α f ( x1 ) − x1 ⋅ f (α )
f ( x1 ) − f (α )

(2.22)

Demikian proses ini diulang hingga mencapai titik P atau sangat dekat dengan P (titik
yang mengandung nilai akar yang dicari).
Secara umum, formula (2.20) dan (2.22) adalah
xn +1 =

α ⋅ f ( xn ) − xn ⋅ f (α )
f ( xn ) − f (α )

(2.23)

Contoh 2.4
Gunakan metode RF untuk menentukan aproksimasi akar-akar positif dari persamaan
2 x 3 − 7 x + 2 = 0 (gunakan hingga tiga tempat desimal).
Penyelesaian:
Pilih α = 0 dan x0 = 1 . Oleh karena itu f (α = 0 ) = 2 . Selanjutnya gunakan formula
(2.23) yang menghasilkan
xn +1 =

0 ⋅ f ( xn ) − xn ⋅ f ( 0 )
0 − xn , ( 2 )
−2 xn
−2
=
,
=
=
3
3
2
f ( xn ) − 2
2 xn − 7 xn + 2 − 2 2 xn − 7 xn
2 xn − 7

(2.24)

untuk xn ≠ 0 .
Persamaan (2.24) jika dikaitkan dengan formula iteratif konvergen memberikan keadaan:
F ( x) =

−2
2x2 − 7

sehingga F ' ( x ) =

(2x

8x
2

− 7)

8x nilainya bertambah dari 0 ke 8, sedangkan

2

. Dari bentuk ini dapat diketahui bahwa

(2x

2

− 7)

2

nilainya berkurang dari 49 ke

25, bila x bergerak dari 0 ke 1. Jadi nilai maksimum dari F ' ( x ) < 1 untuk x dalam [0,1]
dan juga proses iteratif adalah konvergen untuk nilai awal x0 = 1 dalam [0,1]. Dengan
x0 = 1 diperoleh hasil perhitungan sebagaimana ditampilkan dalam Tabel 2.7. berikut :




26

Tabel 2.7. Tabel Hasil Numerik Penggunaan Formula (2.24) Terhadap Penentuan
Nilai Akar dari Persamaan 2 x 3 − 7 x + 2 = 0 .
n

xn

2 xn

0
1
2
3
4

1,000
0,400
0,299
0,293
0,293

2,000
0,320
0,179
0,172

2

2

2 xn − 7
-5,000
-6,680
-6,821
-6,828

Jadi akar positif pertama dari 2 x 3 − 7 x + 2 = 0 adalah 0,293 (teliti sampai tiga desimal).
Dengan cara yang sama hitung akar positif yang kedua yang terletak di antara 1 dan 2,
dengan mengambil α = 2 dan x0 = 0 . Hasilnya akan diperoleh bahwa akar positif yang
kedua dari 2 x 2 − 7 x + 2 = 0 adalah 1,707 (teliti sampai tiga tempat desimal).
Soal-Soal Latihan
1. Dapatkan nilai akar dari fungsi berikut ini:
a.

 0,3375 x 3 − 2,5625 x 2 + 5.9275 x − 4,025 
y = f ( x) = 

1,35 x − 3,5



 x 2 − s in ( x ) + 3 
 + s in ( 3 x − 1 ) = 0 , 9 3 4
b. c o s 
2


4 + (x )



{

}

c. e x p c o s  ( x 3 ) − 3  + t a n  x ( 0 , 0 8 + c o s x ) = 1, 7 9 




dengan tiga metode numerik yang telah disampaikan pada bagian sebelumnya.
Berikan komentar anda tentang hasil pemakaian metode-metode tersebut.
2. Ubahlah bentuk persamaan e − x − x = 0 dan x 3 − x − 1 = 0 sedemikian hingga metode
iterasi sederhana dan konvergen dapat digunakan untuk mendapatkan nilai-nilai akar
masing-masing persamaan tersebut.




27

BAB III
INTERPOLASI

3.1.

PENGERTIAN INTERPOLASI DAN GALATNYA

Kalimat “ y = f ( x ) , x0 ≤ x ≤ xn “ adalah kalimat yang mengkorespondensikan setiap
nilai x di dalam x0 ≤ x ≤ xn dengan satu atau lebih nilai-nilai dari y . Anggaplah bahwa
f ( x ) bernilai tunggal, kontinu, dan diketahui dalam bentuk eksplisit, maka nilai-nilai
f ( x ) berkorespondensi dengan tepat dari nilai-nilai x yang diberikan, sebutlah
x0 , x1 , x2 ,...xn , yang dapat dihitung dan ditabulasi dengan mudah.
Ide interpolasi dalam numerik muncul ketika pernyataan konversi berikut ini
memerlukan

tanggapan.

“Diketahui

( x0 , y0 ) , ( x1 , y1 ) , ( x2 , y2 ) ,..., ( xn , yn )

set

dari

daftar

nilai-nilai

yang memenuhi relasi y = f ( x ) dengan bentuk

eksplisit f ( x ) tak diketahui. Kondisi seperti ini perlu dicari fungsi, sebutlah ∅ ( x ) ,
sedemikian hingga f ( x ) dan ∅ ( x ) bersesuaian pada set dari daftar titik-titik tersebut”.
Proses untuk menetukan bentuk ∅ ( x ) atau nilai fungsinya disebut interpolasi. Bila
∅ ( x ) suatu polinom maka proses demikian disebut interpolasi polinom dan ∅ ( x )
disebut penginterpolasi polinom. Selain polinom, bentuk interpolasi ∅ ( x ) dapat juga
berupa deret trigonometri terhingga, deret dari fungsi Bessel, dan lain sebagainya. Di
bagian ini diskusi dibatasi pada interpolasi polinom.
Sebagai dasar untuk mengaproksimasi suatu fungsi yang tidak diketahui oleh suatu
polinom dapat mengacu kepada teorema Weierstrass (1885) berikut ini:
“Bila

f ( x ) kontinu dalam x0 ≤ x ≤ xn , maka untuk ε > 0 , ada polinom P ( x )

sedemikian hingga f ( x ) − P ( x ) < ε , untuk tiap x dalam


( x0 , xn ) ” .



28

Misalkan fungsi y ( x ) kontinu dan dapat diderensialkan disetiap titik dalam suatu
interval yaitu x ∈ [ a, b] . Misalkan dipunyai n + 1 pasang titik yang didefinisikan oleh
titik-titik ( xi , yi ) , i = 0,1, 2,...n . Asumsikan polinom ∅ ( x ) dengan derajat kurang dari
atau sama dengan n digunakan sebagai fungsi aproksimasi untuk y ( x ) yaitu:
y ( x) ≈ ∅ ( x)

(3.1)

Oleh karena itu berlaku :
∅ ( xi ) = yi

i = 1, 2,

,n

(3.2)

Dari persamaan (3.2.1) diperoleh
E ( x) = y ( x) − ∅ ( x)

(3.3)

dengan E ( x ) adalah galat yang di peroleh
atau
E ( x ) = y ( x ) − ∅ ( x ) = ( x − x1 )( x − x2 )( x − x3 )

( x − xn−1 )( x − xn ) L

y ( x) − ∅ ( x) = L Π ( x)

(3.4)
(3.5)

dengan
L adalah bilangan tertentu yang belum diketahui, dan
Π ( x ) = ( x − x0 )( x − x1 )( x − x2 ) ... ( x − xn ) .
Dari persamaan (3.3) jika x = x0 , x1 , x2 ,..., xn maka ia akan bernilai nol yang berarti
bahwa fungsi ∅ ( x ) bernilai eksak ( ∅ ( x ) = y ( x ) ).
Diferensialkan terhadap x sebanyak n+1 kali diperoleh
y

( n +1)

( x ) − 0 = L ( n + 1) !

y( ) ( x )
L=
( n + 1) !
n +1

atau

(3.6)

Subsitusikan persamaan (3.3) ke persamaan (3.2) diperoleh
y( ) ( x )
E ( x) = Π ( x)
( n + 1) !
n +1

atau
y ( ) (ξ )
E ( x) = Π ( x)
( n + 1) !
n +1

(3.7)

dengan x = ξ , x0 < ξ < xn .




3.2.

29

SELISIH (DIFFERENCE)

Selisih dari tiap nilai fungsi dalam konteks numerik, biasanya digunakan notasi-notasi

δ , ∇ , dan ∆ yang dibaca “delta”.
Selisih Maju (Forward Difference)
Bila y0 , y1 , y2 ,... yn adalah nilai-nilai dari y, maka

( y1 − y0 ) , ( y2 − y1 ) , ( y3 − y2 ) ,..., ( yn − yn−1 )
disebut selisih-selisih dari y.

Bila selisih y tersebut berturut-turut ditulis sebagai

∆y0 , ∆y1 ,...∆yn −1 , dengan kata lain:
∆y0 = y1 − y0 , ∆y1 = y2 − y1 ,... ∆yn −1 == yn − yn −1
Simbol ∆ disebut operator selisih maju, sedangkan ∆y0 , ∆y1 ,... disebut selisih maju
pertama.
Selisih dari selisih maju pertama disebut selisih maju kedua dan ditulis
∆ 2 y0 , ∆ 2 y1 , ∆ 2 y2 ,... dengan cara yang sama, dapat didefinisikan selisih maju ketiga,
selisih maju keempat yakni
∆ 2 y0 = ∆y1 − ∆y0 = y2 − y1 − ( y1 − y0 ) = y2 − 2 y1 + y0
∆ 3 y0 = ∆ 2 y1 − ∆ 2 y0 = y3 − 2 y2 + y1 − ( y2 − 2 y1 + y0 )
=

y3 − 3 y2 + 3 y1 − y0

dan
∆ 4 y0 = ∆ 3 y1 − ∆ 3 y0
=

y4 − 3 y3 + 3 y2 − y1 − ( y3 − 3 y2 + 3 y1 − y0 )

=

y4 − 4 y3 + 6 y2 − 4 y1 + y0




30

Untuk selisih yang lebih tinggi dengan mudah dapat ditentukan karena koefisien pada
ruas kanan adalah koefisien binomial.
Tabel berikut menunjukkan selisih maju dari semua tingkat yang dapat dibentuk:
Tabel 3.1. Tabel Selisih Maju
x
x0
x1
x2
x3
x4
x5
x6

∆

y
y0
y1
y2
y3
y4
y5
y6

y0
y1
y2
y3
y4
y5

∆2

∆ 2 y0
∆ 2 y1
∆ 2 y2
∆ 2 y3
∆ 2 y4

∆3

∆ 3 y0
∆ 3 y1
∆ 3 y2
∆ 3 y3

∆4

∆ 4 y0
∆ 4 y1
∆ 4 y2

∆5

∆ 5 y0
∆ 5 y1

∆6

∆ 6 y0

Selisih Mundur (Backward Difference)
Selisih-selisih

( y1 − y0 ) , ( y2 − y1 ) ,... ( yn − yn −1 )

disebut selisih mundur pertama, bila

selisih-selisih tersebut berturut-turut ditulis ∇y1 , ∇y2 , ∇y3 ,... sedemikian hingga :
∇y1 = y1 − y0 , ∇y2 = y2 − y1 ,..., ∇yn = yn − yn −1
dan ∇ disebut operator selisih mundur.
Dengan cara yang sama, dapat didefinisikan selisih mundur berderajat tinggi. Jadi
diperoleh:
∇ 2 y2 = ∇y2 − ∇y2 = y2 − y1 − ( y1 − y0 ) = y2 − 2 y1 + y0
∇3 y3 = ∇ 2 y3 − ∇ 2 y2 = y3 − 3 y2 + 3 y1 − y0 , dan seterusnya.
Dengan nilai-nilai yang sama untuk x dan y dalam Tabel 3.1 tabel selisih mundur dapat
dibentuk.




31

Tabel 3.2. Tabel Selisih Mundur
y

x
x0

y0

x1

y1

x2

∇

y2

x3

∇4

∇3 y3

∇ 2 y3

∇y3

∇ 3 y4

∇ y4

∇5

∇ 4 y4

∇5 y5

∇ 4 y5

2

y5

x6

∇3

∇ 2 y2

∇ y2

y4

x5

∇y1

y3

x4

∇2

∇6

∇ 6 y6

y6

∇ y4

∇3 y5

∇ 2 y5

∇y5

∇5 y6

∇ 4 y6

∇ 3 y6

∇ 2 y6

∇y6

Selisih Tengah (Central Difference)
Operator selisih tengah δ didefinisikan oleh relasi:
y1 − y0 = δ y1/ 2 ; y2 − y1 = δ y3/ 2 ,..., yn − yn −1 = δ y 2 n −1
2

Dengan cara yang sama, selisih tengah berderajat tinggi dapat didefinisikan. Dengan
menggunakan nilai-nilai x dan y seperti pada tabel 3.1. tabel selisih tengah dapat dibuat
tabelnya seperti berikut:
Tabel 3.3. Tabel Selisih Tengah
x0

y0

x1

y1

x2

y2

x3

y3

x4

y4

x5

y5

x6

y6

δ y1/ 2
δ y3/2
δ y5/ 2
δ y7 / 2
δ y9 / 2
δ y11/ 2


δ 2 y1
δ 2 y2
δ 2 y3
δ y4

δ 3 y3/ 2
δ 3 y5/ 2

δ 4 y2

δ y7 / 2

δ 4 y3

δ 5 y5/ 2

δ y9 / 2

δ 4 y4

δ 5 y7 / 2

3

2

δ y5
2

3

δ 6 y6



32

Dari Tabel 3.1, 3.2, dan 3.3, dengan melihat letak posisi yang sama diperoleh hubungan
berikut:
∆y0 = ∇y1 = δ y1/ 2

dan seterusnya.

Pemahaman konsep selisih dapat dijelaskan dalam contoh jarak tempuh sebuah mobil
terhadap waktu. Misalkan gerakan sebuah mobil ke suatu tempat memiliki jarak tempuh
s berrgantung waktu t. Hal tersebut disebabkan oleh karena untuk sebarang waktu
tertentu, mobil tersebut haruslah menempuh jarak perjalanan yang unik, dengan jarak
adalah suatu fungsi dari waktu, yaitu s = f ( t ) .

Perhatikan daftar berikut yang

menunjukkan jarak yang ditempuh (s meter) berturut-turut pada setiap selang waktu 10
detik:
Tabel 3.4 Jarak tempuh mobil per 10 detik waktu .
t

s = f(t)

0
10
20
30
40
50
60

0
214
736
1446
2270
3164
4100

Dari Tabel 3.4 di atas dapat dibuat tabel selisih (Tabel Selisih Terhingga) untuk selang
t = 0 hingga t = 60 sebagai berikut:
Tabel 3.5 Tabel Selisih Terhingga untuk Data dalam Tabel 3.4
f(t)

t
0

ke-2

ke-3

ke-4

2270

50

ke-1

1446

40

Selisih

736

30

Selisih

214

20

Selisih

0

10

Selisih

3164

214
522

-120
710

46

188
-74

824

30

114
-44

894

16

70
-28

936
60

308

42

4100




33

Contoh 3.1.
Evaluasi polinom

y = x 3 − 8 x 2 − 4 x + 1 untuk

x = 0. ( 0,1) .0,5 dan buatlah tabel

selisihnya. Carilah : ∆y0 , ∆y1 , ∇y1 , ∇2 y2 , δ y3/ 2 , dan δ 2 y2
Penyelesaian:
Tabel 3.6. Tabel Selisih Maju untuk Data dalam Tabel 3.5.
x

y

0

0,521

Selisih ke-2

Selisih ke-3

Selisih ke-4

1

0,1

Selisih ke-1

-0,479
-0,154
0,006

-0,633
0,2

0

-0,148

-0,112

0,006

-0,781
0,3

0

-0,142

-0,893

0,006

-0,923
0,4

-0,136

-1,816
-0,059

0,5

-2,875

Dari Tabel 3.6. di atas diperoleh
∆y0 = −0, 479; ∇2 y2 = −0,154
∆y1 = −0, 633 δ y3/1 = −0, 633
∇y1 = −0, 479 δ 2 y 2 = −0,148

Selisih Polinom
Misalkan y(x) adalah polinom berderajat n, yaitu
y ( x ) = a0 x n + a1 x n −1 + a2 x n − 2 + ... + an
Maka kita peroleh :
n
n −1
y ( x + h ) − y ( x ) = a0 ( x + h ) − x n  + a1 ( x + h ) − x n −1 




1
∇y ( x ) = a0 ⋅ nhx n −1 + a1 x n − 2 + ... + an

1




34

Yang menunjukkan bahwa selisih pertama dari polinom berderajat n adalah polinom
berderajat (n–1). Demikian pula, selisih kedua adalah polinom berderajat (n–2) dan
koefisien dari x n− 2 adalah a0 n !h n yang merupakan konstanta. Atas dasar hal tersebut,
selisih ke (n+1) dari polinom berderajat n adalah nol.
Sebaliknya, bila selisih ke n dari suatu daftar fungsi adalah konstanta dan selisih-selisih
ke (n+1), ke (n+2), ... dan seterusnya semuanya nol, maka daftar fungsi tersebut
menyatakan polinom berderajat n. Hal tersebut peru dicatat bahwa hasil yang kita
peroleh itu akan baik hanya bila nilai-nilai dari x berjarak sama antara yang satu dengan
yang lainnya (nilai-nilai x yang berdekatan). Pernyataan konversi tersebut adalah penting
di dalam analisis numerik, karena dengan pernyataan tersebut memungkinkan kita untuk
mengaproksimasi suatu fungsi oleh suatu polinom bila selisih-selisih dari sembarang
tingkat (derajat) menghasilkan suatu konstanta (mendekati konstanta tertentu). Untuk
lebih memahami, pelajari contoh berikut.
Contoh 3.2.
Tabel berikut menunjukkan selisih nilai-nilai polinom y ( x ) = x 2 + 2 x −1 untuk nilainilai x = 1, 00 ( 0, 02 )1,10
Tabel 3.7. Tabel Selisih Maju untuk Sejumlah Nilai Fungsi y ( x ) = x 2 + 2 x − 1
y ( x)

x
1,00

∆

∆2

∆3

∆4

2
0,0804

1,02

0,0008

2,0804

0

0,0812
1,04

0

0,0820
1,06

2,3264

1,10

0

0,0008

2,2436

1,08

0

0,0008

2,1616

2,4100

0

0,0828
0,0008
0,0836




35

Dari tabel di atas dapat dilihat bahwa untuk polinom berderajat dua, selisih keduanya
konstanta yaitu 1 ⋅ 2 ( 0, 02 ) = 0, 0008 . Demikian pula, bila dilihat pada Contoh 3.1,
2

selisih ketiga dari polinom tersebut adalah konstan yaitu 1.3!( 0,1) = 0, 006
3

Contoh 3.3
Tabel 3.8. berikut menunjukkan selisih-selisih nilai polinom y ( x ) = x 3 − 8 x + 5 untuk
nilai-nilai x = 2, 00 ( 0, 2 ) 3, 4 ; dibulatkan sampai dua tempat desimal.

Tabel 3.8. Tabel Selisih Maju untuk Sejumlah Nilai Fungsi
y ( x ) = x3 − 8 x + 5
x
2,0

y ( x)

∆

∆2

∆3

-3,00
1,05

2,2

0,52

-1,95

0,07

1,57
2,4

0,59

-0,38

0,02

2,16
2,6

0,61

1,78

0,07

2,77
2,8
3,0

8,00

3,2

12,17

3,4

0,68

4,55

17,10

0,04

3,45
0,72

0,04

4,17
0,76
4,93

Dari daftar dapat dilihat bahwa selisih ketiga untuk polinom berderajat tiga tersebut
tidak konstan, yang seharusnya selisih tersebut adalah 1.3!( 0, 2 ) = 0, 048 . Mengapa?
3

Hal tersebut disebabkan oleh karena kekeliruan dalam pembulatan, yang seharusnya
nilai dari fungsi tersebut dibulatkan teliti sampai tiga tempat desimal, (silahkan
diperiksa).




3.3.

FORMULA

NEWTON

36

UNTUK

INTERPOLASI

DAN

RELASI

SIMBOLIK
Formula Newton untuk Interpolasi
Diberikan set yang terdiri dari (n+1) buah nilai-nilai dari x dan y, yaitu

( x0 , y0 ) , ( x1 , y1 ) , ( x2 , y2 ) ,... ( xn , yn )

dari nilai-nilai tersebut akan dicari yn ( x ) , yaitu

suatu polinom berderajat n sedemikian sehingga y dan yn ( x ) memenuhi daftar titiktitik tersebut.
Misalkan nilai-nilai tersebut berjarak sama dari x, yaitu :
xi = x0 + ih ,

dengan i = 0,1,2,...,n

Karena yn ( x ) suatu polinom berderajat n maka yn ( x ) dapat ditulis sebagai:
yn ( x ) = a0 + a1 ( x − x0 ) + a2 ( x − x0 )( x − x1 )
+ a3 ( x − x0 )( x − x1 )( x − x2 ) + ...
+ an ( x − x0 )( x − x1 )( x − x2 ) ... ( x − xn −1 )

(3.8)

Bila kita pakai syarat (kondisi) bahwa y dan yn ( x ) harus memenuhi set dari titik-titik
tersebut, kita peroleh
a0 = y0 ;

a1 =

y1 − y0 ∆y0
=
;
x1 − x0
h

a2 =

∆ 2 y0
;
h 2 2!

a3 =

∆ 3 y0
;
h3 3!

an =

∆ n y0
hn n!

Bila x = x0 + ph dan subtitusikan a0 , a1 , a2 ,..., an pada persamaan (3.8) kita peroleh
y n ( x ) = y 0 + p ∆ y0 +
+

p ( p − 1) 2
∆ y0
2!

p ( p − 1)( p − 2 ) 3
p ( p − 1)( p − 2 ) ... ( p − n + 1) n
∆ y0 +
∆ y0
n!
3!

(3.9)

dan (3.9) disebut formula interpolasi selisih maju Newton dan dipakai untuk interpolasi
yang dekat ke awal dari nilai x.
Untuk mencari kekeliruan yang terjadi dalam menentukan fungsi y(x) oleh polinom
yn ( x ) , dapat digunakan formula (3.7) yang dalam bentuk lain ditulis sebagai
y ( x ) − yn ( x ) =

( x − x0 )( x − x1 ) ... ( x − xn ) y (n +1) α
( )
( n + 1)!


, dan x0 < α < xn .

(3.10)



37

Persamaan (3.10) hanya dipakai dalam praktek saja karena bentuk y (
Berikut ini bentuk lain (eastimasi) y (

meberikan informasi apapun.

n+1)

n +1)

( x ) tidak

( x)

yang

menggunakan derifatif.
Ekspansi y ( x + h ) dengan deret Taylor memberikan
y ( x + h ) = y ( x ) + hy ′ ( x ) +

h2
y ′′ ( x ) + ...
2!

Dengan mengabaikan suku-suku yang memuat h 2 dan selebihnya (perpangkatan tinggi
dari h), diperoleh
1
1
 y ( x + h ) − y ( x )  = ∆y ( x )

 h
h

y′ ( x ) ≈

Dengan menuliskan y ′ ( x ) sebagai Dy(x), dengan D ≡

d
adalah operator diferensial,
dx

bagian kanan persamaan di atas operatornya
D≡

1
∆.
h

Demikian juga dengan
D n +1 ≡

1
h

n +1

∆ n +1

yang berarti
y(

n +1)

( x) ≈

1
h

n +1

∆ n +1 y ( x )

(3.11)

Persamaan (3.10) yang ditulis sebagai
y ( x ) − yn ( x ) =

p ( p − 1)( p − 2 ) ... ( p − n )

( n + 1)!

∆ n +1 y ( x )

(3.12)

merupakan bentuk yang sesuai untuk perhitungan.
Dari yn ( x ) pada persamaan (3.1), dapat dipilih bentuk
yn ( x ) = a0 + a1 ( x − xn ) + a2 ( x − xn )( x − xn −1 )
+ a 3 ( x − xn )( x − xn −1 )( x − xn − 2 )
+

+ an ( x − xn )( x − xn −1 ) ... ( x − x1 )




38

dan menentukan kondisi bahwa y dan yn ( x )

sesuai pada daftar titik-titik

xn , xn −1 ,..., x2 , x1 , x0 , , kita peroleh (setelah disederhanakan):

y n ( x ) = y n + p∇ y n +
dengan p =

p ( p + 1)
2!

∇ 2 yn + ... +

p ( p + 1) ... ( p + n − 1)
n!

∇ n yn

(3.13)

x − xn
h

Formula (3.13) disebut formula interpolasi selisih mundur Newton dan digunakan untuk
interpolasi yang dekat ke akhir dari nilai-nilai pada daftar (nilai x).
Formula tersebut memberikan kekeliruan daftar formula tersebut dapat ditulis sebagai:

y ( x ) − yn ( x ) =
dengan

p ( p + 1)( p + 2 ) ... ( p + n )

( n + 1)

h n +1 y n +1 (α )

(3.14)

x0 < α < xn dan x = xn + ph

Contoh berikut merupakan ilustrasi penggunaan formula itu.
Contoh 3.4.
Carilah polinom berderajat tiga bila diketahui y(0) = 1, y(1) = 0, y(2) = 1, y(3) = 10
kemudian carilah y(4).
Penyelesaian:
Tabel selisih untuk data pada contoh ini adalah sebagai berikut :
Tabel 3.9.
x

y

0

1

1

0

2

1

3

10

∆

∆2

∆3

-1
2
6

1
8
9




39

Dalam soal ini h = 1. jadi, dengan formula x = x0 + ph dipilih x0 = 0 , kita peroleh p =
x.
Subtitusikan nilai p ke dalam (3.9), diperoleh
y ( x ) = 1 + x ( −1) +

x ( x − 1)
2

( 2) +

x ( x − 1)( x − 2 )
6

( 6)

= x3 − 2 x 2 + 1 ,
Untuk menghitung y(4) kita perhatikan bahwa p = 4.
Dari formula (3.9) kita peroleh
y ( 4 ) = 1 + 4 ( −1) + 12 + 24 = 33
yang mana nilai tersebut sama dengan suatu nilai untuk x = 4 yang disubtitusikan ke
polinom y ( x ) = x 3 − 2 x 2 + 1 .

Catatan :
Proses pencarian nilai y untuk sebarang x di luar daerah yang diketahui disebut
ekstapolasi, dan contoh tadi menunjukkan bahwa bila suatu daftar fungsi adalah suatu
polinom, maka interpolasi dan ekstrapolasi memberikan nilai yang eksak.
Contoh 3.5.
Populasi di suatu kota dalam sensus yang dilakukan 10 tahun sekali ditunjukkan pada
tabel berikut :
Tabel 3.10. Data Pertumbuhan Suatu Populasi
Tahun x

1891

1901

1911

1921

1931

46

66

81

93

101

Populasi : y
(dalam ribuan)

Perkirakan (estimasi) populasi untuk tahun 1895.
Penyelesaian:
Dari data di atas ternyata h = 10, x0 = 1891 , x = 1895, dan dari formula x = x0 + ph
kita peroleh p = 4/10 = 0,4.



40

Daftar selisih dari data di atas adalah:
x

y

1891

46

∆

∆2

∆3

∆4

20
-5

66

1901

2

15
1911
1921

93

1931

-3

-3

81

101

-1

12
-4
8

Dari (3.9) kita peroleh
0, 4 ( 0, 4 − 1)

y (1895 ) = 46 + 0, 4 ( 20 ) +
+
+

2

0, 4 ( 0, 4 − 1)( 0, 4 − 2 )
6

⋅ ( −5 )

( 2)

0, 4 ( 0, 4 − 1)( 0, 4 − 2 )( 0, 4 − 3)
24

( −3) = 54,85 ribu

Contoh 3.6
Dalam Contoh 3.5, estimasilah populasi untuk tahun 1925. pada soal ini, interpolasi
yang dicari terletak pada akhir dari daftar, sehingga kita gunakan formula (3.13), dengan
x = xn + ph

. dari data yang diberikan, x = 1925, xn = 1931 , dan h = 10, maka

diperoleh p = - 0,6.
Dari formula (3.13) kita peroleh
y (1925 ) = 101 + − ( 0, 6 ) .8 +
+

−0, 6 ( −0, 6 + 1)
2

−0, 6 ( −0, 6 + 1)( −0, 6 + 2 )

+

6

( −4 )

( −1)

−0, 6 ( −0, 6 + 1)( −0, 6 + 2 )( −0, 6 + 3)


24

( −3)

= 96,84 ribu.



41

Contoh 3.7.
Dalam tabel berikut, nilai-nilai dari y berkaitan dengan suku-suku dari suatu deret.
Carilah suku pertama dan suku ke sepuluh.
Tabel 3.12. Tabel Nilai suatu Fungsi y(x)
x

3

4

5

6

7

8

9

y

2,7

6,4

12,5

21,6

34,3

51,2

72,9

Penyelesaian:
Berikut ini merupakan tabel selisih dari data dalam Tabel 3.12.
Tabel 3.13. Tabel Selisih Maju untuk Data dalamTabel 3.12.
x
3

y

∆

∆2

∆3

∆4

2,7
3,7

4

2,4

6,4

0,6

6,1
5

0,6

9,1
6

34,3

8

51,2

9

0

3,6

21,6

7

0

3,0

12,5

72,9

0,6

12,7

0

4,2
0,6

16,9
4,8
21,7

Dari tabel selisih di atas, dapat dilihat bahwa selisih ketiga adalah konstan dan
karenanya daftar fungsi tersebut menyatakan suatu polinom berderajat tiga. Dengan
demikian, maka interpolasi dan ekstrapolasi yang dilakukan hasilnya eksak. Untuk
mencari suku ke 10, kita gunakan formula (3.9), dengan x0 = 3 , x = 10, h = 1, dan p = 7
didapatkan
y (10 ) = 2, 7 + 7 ( 3, 7 ) =


( 7 )( 6 )
( 7 )( 6 )( 5)
( 2, 4 ) +
( 0, 6 )
(1)( 2 )
(1)( 2 )( 3)

= 100



42

Untuk mencari suku ke 1, kita gunakan formula (3.13), dengan xn = 9 , x = 1, h = 1, dan
p = -8 kita peroleh
y (1) = 72,9 + ( −8 )( 21, 7 ) +

( −8)( −7 )
2

( 4,8 ) +

( −8 )( −7 )( −6 )
6

( 0, 6 )

= 0,1

Contoh 3.8.
Tinjaulah tabel data berikut ini.
Tabel 3.14. Data nilai fungsi Tan x untuk 0,10 ≤ x ≤ 0,30 .
x

0,10

0,15

0,20

0,25

0,30

y = Tan x

0,1003

0,1511

0,2027

0,2553

0,3093

Tentukanlah :
( i ).

Tan 0,12

( ii ).

Tan 0,26

( iii ).

Tan 0,40

( iv ).

Tan 0,50

Penyelesaian:
Tabel selisih untuk data dalam Tabel 3.14 adalah seperti berikut:
x

y

0,10

0,1003

∆

∆2

∆3

∆4

0,0508
0,15

0,0008

0,1511

0,0002

0,0516
0,20

0,0004

0,0526
0,25

0.0014

0,2553

0,30

0,0002

0,0010

0,2027

0,3093

0,0540

( i ).

Untuk mencari Tan 0,12 digunakan formula
x = x0 + ph ⇒ 0,12 = 0,10 + p ( 0, 05 ) ⇒ p = 0, 4




43

Dengan formula (3.9) diperoleh :
Tan 0,12 = 0,1003 + 0, 4 ( 0, 0508 ) +
+
+

0, 4 ( 0, 4 − 1)
( 0, 0008 )
2

0, 4 ( 0, 4 − 1)( 0, 4 − 2 )
6

( 0, 0002 )

0, 4 ( 0, 4 − 1)( 0, 4 − 2 )( 0, 4 − 3)
24

( 0, 0002 )

= 0,1205
(ii)

Untuk mendapatkan nilai Tan 0,26 diperlukan
x = xn + ph ⇒ 0, 26 = 0,30 + p ( 0, 05 ) ⇒ p = −0,8 .

Dengan formula (3.13) diperoleh
Tan ( 0, 26 ) = 0,3093 − 0,8 ( 0,0540 ) +
+
+

−0,8 ( −0,8 + )
( 0,0014 )
2

−0,8 ( −0,8 + 1)( −0,8 + 2 )
6

( 0, 0004 )

−0,8 ( −0,8 + )( −0,8 + )( −0,8 + 3)
24

( 0, 0002 )

= 0, 2662

Dengan menggunakan cara yang sama seperti sebelumnya diperoleh:
(iii) Tan 0,40 = 0,4241
(iv) Tan 0,50 = 0,5543
Nilai sebenarnya teliti sampai empat desimal dari Tan 0,12, Tan 0,26, Tan 0,40, dan Tan
0,50 berturut-turut adalah 0,1206, 0,2660, 0,4228, 0,5463.
Dengan membandingkan hasil perhitungan dan nilai sebenarnya, bahwa dalam dua hal
yang pertama (i) dan (ii) (interpolasi) hasil yang diperoleh sangat teliti dibandingkan
dengan dua hal terakhir (iii) dan (iv) (ekstrapolasi). Contoh-contoh tersebut
menunjukkan bahwa “Bila suatu daftar fungsi selain suatu polinom, maka ekstrapolasi
yang sangat jauh dari batas-batas daftar akar kurang baik untuk dilakukan”.




44

Relasi Simbolik
Formula selisih dapat dinyatakan oleh metode-metode simbolik, menggunakan operator
perubahan E dan operator rata-rata µ dalam penjumlahan operator-operator δ , ∇ ,
dan ∆ yang sudah didefinisikan di atas.
Operator rata-rata µ didefinisikan oleh persamaan

µ yr = 1/ 2 ( yr +1/ 2 + yr −1/ 2 )

(3.15)

Operator perubahan E didefinisikan oleh persamaan
Eyr = yr +1

(3.16)

Yang menunjukkan pengaruh dari E pada nilai fungsi yr ke nilai berikutnya yr +1
Operasi kedua dengan E diberikan oleh
E 2 yr = E ( Eyr ) = Eyr +1 = yr + 2
dan umumnya E n yr = yr + n dengan mudah diperoleh hubungan antar ∆ dan E, dan kita
peroleh :
∆y0 = y1 − y0 = Ey0 − y0 = ( E − 1) y0
∆ ≡ E −1
E ≡ 1+ ∆

(3.17)

Dari definisi-definisi di atas, relasi-relasi berikut dengan mudah diperoleh
∇ ≡ 1 − E1

δ ≡ E1/ 2 − E −1/ 2
µ = 1/ 2 ( E1/ 2 + E −1/ 2 )

(3.18)

µ 2 = 1 + 1/ 4δ 2
∆ = ∇E ≡ δ E1/ 2
Sebagai contoh, akan ditunjukkan relasi µ 2 = 1 + 1/ 4δ 2 . Dari definisi diketahui bahwa:

µ yr = 1/ 2 ( yr + 1/ 2 + yr − 1/ 2 )
= 1/ 2  E1/ 2 yr + E −1/ 2 yr 


=1/ 2  E1/ 2 + E −1/ 2  yr


Jadi




45

µ = 1/ 2  E1/ 2 + E −1/ 2 


µ 2 = 1/ 4  E1/ 2 + E −1/ 2 



2

= 1/ 4 ( E + 2 + F −1 )
2
q = 1/ 4 ( E1/ 2 − E −1/ 2 ) + 4 





= 1/ 4 (δ 2 + 4 )
Dengan demikian µ = 1 + 1/ 4δ 2 . Akhirnya operator D dapat didefinisikan sebagai
Dy ( x ) =

d
y ( x)
dx

Untuk relasi D terhadap E, kita mulai dengan deret Taylor
y ( x + h ) = y ( x ) + hy ' ( x ) +

h2
h3
y '' ( x ) + y ''' ( x ) + ...
2!
3!

Bentuk tearsebut dapat ditulis dalam bentuk simbolik seperti berikut:


h 2 D 2 h3 D 3
Ey ( x ) = 1 + hD +
+
+ ... y ( x )
2!
3!


Karena deret di dalam kurung adalah ekspansi e hD , kita peroleh hasil
E ≡ e hD

3.4.

(3.19)

FORMULA INTERPOLASI SELISIH TENGAH

Pada bagian terdahulu, telah dibicarakan formula interpolasi maju dan mundur dari
Newton yang berturut-turut digunakan untuk interpolasi dekat ke awal dan interpolasi
dekat ke akhir dari daftar nilai-nilai suatu fungsi. Sekarang akan dibicarakan formula
interpolasi tengah yang lebih sesuai untuk menginterpolasi data/nilai fungsi yang ada di
sekitar pertengahan dari daftar data tersebut. Operator selisih tengah telah dibicarakan
pada bagian terdahulu.
Jika diberikan sejumlah 2n+1 pasangan data maka data itu dapat ditabulasikan ke dalam
tabel Selisih Tengah berikut:




46

Tabel 3.16: Tabel Selisih Tengah Gauss

x

y

x− n

y− n

x− n+1

y− n+1

x−3
x−2
x−1
x0

yn−1

xn

∆y− n+1

y1
y2
y3

xn−1

∆2

∆y − n

y−3
y−2
y−1
y0

x1
x2
x3

∆

yn

∆y−3
∆y−2
∆y−1
∆ y0
∆y1
∆y2

∆3

∆ 2 y− n

∆ 2 y− n+1
∆ 2 y−3
∆ 2 y−2
∆ 2 y−1
∆ 2 y0

∆ 2 n−1

∆ 3 y− n

∆3 y− n+1
∆ 3 y−3

∆ 2 y1

∆yn − 2
∆yn −1

∆ 2n

∆ 2 yn − 2

∆ 2 n −1 y− n

∆3 y−2
∆ 3 y−1
∆ 3 y0
∆ 3 yn − 2

∆ 2 yn −1

2n
∆ 2 n −1 y− n +1 ∆ y− n

∆ 3 yn −1

Formula Interpolasi Stirling
Formula Interpolasi Stirling diberikan dalam bentuk berikut ini:
p ( p 2 − 1) ∆ 3 y−3 + ∆ 3 y−1
p ∆y−1 + ∆y0 p 2 2
+
∆ y−1 +
⋅
y ( x ) = y0 + ⋅
1!
2
2!
3!
2
+

+

p 2 ( p 2 − 1)
4!

∆ y−2 +

+

4

(

p ( p 2 − 1)( p 2 − 2 ) ... p 2 − ( n − 1)

( 2n − 1)!

(

p 2 ( p 2 − 1)( p 2 − 2 ) ... p 2 − ( n − 1)

( 2n ) !
2

)⋅∆

2 n −1

y− n + ∆ 2 n −1 y− n +1
2

2

) ⋅∆

2n

y− n

(3.20)

dengan x = x0 + p h .
Formula Stirling di atas menggunakan Tabel Selisih Tengah Gauss (Tabel 3.16.) untuk
melakukan interpolasi. Formula ini dipakai untuk interpolasi di sekitar tengah-tengah
data dari suatu tabel data dan ia akan memberikan hasil teliti untuk −0.25 < p < 0.25 .




3.5.

47

INTERPOLASI DENGAN TITIK-TITIK YANG BERJARAK TIDAK
SAMA

Pada pasal terdahulu telah dibicarakan berbagai macam formula interpoalsi, tetapi daftar
nilai yang diinterpolasi variabel bebasnya (x) berada pada jarak yang sama.
Pada bagian ini akan dibicarakan beberapa formula interpolasi dengan jarak antara nilainilai variabel bebasnya yang tidak sama. Dalam pembicaraan kita di sini akan dibahas
formula untuk hal tersebut yaitu formula interpolasi Lagrange dan formula interpolasi
Newton umum.
Formula Interpolasi Lagrange
Misal y(x) kontinu diferensiabel samapi keturunan (n+1) dalam interval buka (a,b).
Diberikan (n+1) buah titik-titik

( x0 , y0 ) , ( x1 , y1 ) , ( x2 , y2 ) ,..., ( xn , yn )

dengan nilai-nilai

x tak perlu berjarak sama dengan yang lainnya, dan akan kita cari suatu polinom
berderajat n, sebutlah ∅ n ( x ) , sedemikian hingga
∅ n ( xi ) = y ( xi ) = yi , i = 0,1, 2,3,..., n

(3.21)

Misalkan
∅ n ( x ) = a0 + a1 x + a2 x 2 + an x n ,

(3.22)

adalah polinom yang akan dicari.
Pensubtitusian persamaan 3.8.1 ke dalam 3.8.2, kita peroleh sistem persamaanpersamaan.
2
n
y0 = a0 + a1 x0 + a2 x0 + ... + an x0

y1 = a0 + a1 x1 + a2 x12 + ... + an x1n
2
n
y2 = a0 + a1 x2 + a2 x2 + ... + an x2

(3.23)

................................................
2
n
yn = a0 + a1 xn + a2 xn + ... + an xn

Sistem persamaan (3.23) akan memberikan solusi, bila determinan




48

1 x0

2
n
x0 ... x0

1 x1

x12

x1n

.......................
2
xn

1 xn

≠0

n
xn

Determinan tersebut dikenal sebagai determinan Vandermonde yang bernilai

( x0 − x1 ) , ( x0 − x2 ) ... ( x0 − xn )( x1 − x2 )( x1 − x3 ) ... ( x1 − xn ) ... ( xn−1 − xn )
Elimenasi a0 , a1 , a2 ,..., an dari persamaan (3.22) dan (3.23) kita peroleh :
∅ n ( x )

 y0
 y1


 yn




1 x
1 x0
1 x1
1
1 xn

xn 
n
x0 
x1n 
 =0

n
xn 




x2
2
x0
x12
2
xn

(3.24)

yang menunjukkan bahwa ∅ n ( x ) adalah kombinasi linear dari y0 , y1 ,..., yn .
Berdasarkan itu dapat ditulis
n

∅ n ( x ) = ∑ ti ( x ) yi

(3.25)

i =0

di mana ti ( x ) adalah polinom dalam x berderajat n.
Karena ∅ n ( x j ) = y j , untuk j = 0,1,2,3,...n., persamaan (3.25) memberikan
ti ( x j ) = 0, untuk i ≠ j 


ti ( x j ) = 1, untuk i = j 


(3.26)

Jadi ti ( x ) dapat ditulis sebagai :
ti ( x ) =

( x − x0 )( x − x1 ) ... ( x − xi −1 )( x − xi +1 ) ... ( x − xn )
( xi − x0 )( xi − x1 ) ... ( x − xi )( xi −1 − xi +1 ) ... ( xi − xn )

(3.27)

yang memenuhi kondisi (3.25).
Dalam persamaan (3.27), tulis pembilang fungsi tersebut sebagai

π ( x ) = ( x − x0 )( x − x1 ) ... ( x − xi −1 )( x − xi )( x − xi +1 ) ... ( x − xn )

(3.28)

maka diperoleh bentuk

π ' ( xi ) =

d
π ( x )  x = x
 i
dx 

π ' ( xi ) = ( xi − x0 )( xi − x1 ) ... ( xi − xi −1 )( x − xi +1 ) ... ( x − xn )




49

Jadi persamaan (3.27) dapat ditulis
ti ( x ) =

π ( x)
( x − xi ) π ' ( xi )

(3.29)

Dengan demikian berlakulah keadaan

π ( x)
yi
i = 0 ( x − xi ) π ' ( xi )
n

∅n ( x ) = ∑

(3.30)

yang disebut formula interpolasi Lagrange.
Koefisien-koefisien ti ( x ) yang didefinisikan oleh (3.27) disebut koefisien-koefisien
interpolasi Lagrange.
Selanjutnya pertukaran x dan y dalam (3.30) akan diperoleh

π ( y)
xi
i = 0 ( y − yi ) π ' ( yi )
n

∅n ( y ) = ∑

(3.31)

yang digunakan untuk interpolasi invers.
Untuk pemakaian praktis, formula interpolasi Lagrange (3.30) dapat pula dinyatakan
secara terperinci sebagai berikut:
y ( x) =

( x − x1 )( x − x2 )( x − x3 ) ... ( x − xn ) ⋅ y
( x0 − x1 )( x0 − x2 )( x0 − x3 ) ... ( x0 − xn ) 0
+

( x − x0 )( x − x2 )( x − x3 ) ... ( x − xn ) ⋅ y
( x1 − x0 )( x1 − x2 )( x1 − x3 ) ... ( x1 − xn ) 1

+

( x − x0 )( x − x1 )( x − x3 ) ... ( x − xn ) ⋅ y
( x2 − x0 )( x2 − x1 )( x2 − x3 ) ... ( x2 − xn ) 2

+

( x − x0 )( x − x1 )( x − x2 ) ... ( x − xn ) ⋅ y
( x3 − x0 )( x3 − x1 )( x3 − x2 ) ... ( x3 − xn ) 3

+

+

( x − x0 )( x − x1 )( x − x2 ) ... ( x − xn −1 ) ⋅ y
( xn − x0 )( xn − x1 )( xn − x2 ) ... ( xn − xn −1 ) n

(3.32)

di mana, y(x) adalah nilai-nilai yang akan diinterpolasi ,
x adalah nilai variabel yang berkorespondensi dengan y(x).
x0 , x1 , x2 ,..., xn adalah nilai-nilai x
y0 , y1 , y2 ,..., yn adalah nilai-nilai y.




50

Contoh 3.9
Berikut ini adalah tabel dari data nilai-nilai x yang berkorespondensi dengan
y = 10 log x :

Tabel 3.17. Tabel data sejumlah nilai fungsi y = 10 log x
x

300

304

305

307

y = 10 log x

2,4771

2,4829

2,4843

2,4871

Carilah y = 10 log 301 .

Penyelesaian:
Ubah bentuk tabel di atas menjadi tabel sebagaimana berikut ini
Tabel 3.18. Tabel data hasil penulisan ulang Tabel 3.17.
x0 = 300

x1 = 304

x2 = 305

x3 = 307

y0 = 2,4771

y1 = 2,4829

y2 = 2,4843

y3 = 2,4871

Dengan menggunakan formula (3.32) diperoleh
y ( 301) =

( 301 − 304 )( 301 − 305)( 301 − 307 ) ⋅ 2, 4771
( 300 − 304 )( 300 − 305)( 300 − 307 )

+

( 301 − 300 )( 301 − 305)( 301 − 307 ) ⋅ 2, 4829
( 304 − 300 )( 304 − 305)( 304 − 307 )

+

( 301 − 300 )( 301 − 304 )( 301 − 307 ) ⋅ 2, 4843
( 305 − 300 )( 305 − 304 )( 305 − 307 )

+

( 301 − 300 )( 301 − 304 )( 301 − 305) ⋅ 2, 4871
( 307 − 304 )( 307 − 304 )( 307 − 305)

y ( 301) = 1, 2739 + 4,9658 − 4, 4717 + 0,7106 = 2, 4786




51

Soal-soal latihan:
1. Diberikan tabel data sebagaimana Tabel 3.19. berikut:
Tabel 3.19.
x

0.0

0.5

1.0

1.5

2.0

2.5

f (x)

1.0

2.119

2.910

3.945

5.72

8.695

Gunakan formula interpolasi depan dan mundur Newton serta Stirling untuk
mendapatkan f (0.1), f (2.2), dan f (1.3).
2. Dengan menggunakan formula interpolasi Lagrange, hitung f (0.1), f (2.2), dan f
(1.3).

Berikan komentar anda berkenaan dengan hasil yang diperoleh setelah

membandingkannya dengan hasil pada penyelesaian sebelumnya (soal nomor 1).
3. Dapatkan formula Interpolasi Newton (umum) berikut ini
y ( x ) = y0 + ( x − x0 ) [ x0 , x1 ] + ( x − x0 )( x − x1 ) [ x0 , x1 , x2 ]
+ ( x − x0 )( x − x1 )( x − x2 ) [ x0 , x1 , x2 , x3 ]
+

+ ( x − x0 )( x − x1 )( x − x2 )

( x − xn ) [ x0 , x1 , x2 , x3 ,

, xn ]

dengan

[ x0 , x1 ] =

y1 − y0
; dst;
x1 − x0

[ x0 , x1 , x2 , x3 ] =

[ x0 , x1 , x2 ] =

[ x1 , x2 ] − [ x0 , x1 ] ,

[ x1 , x2 , x3 ] − [ x0 , x1 , x2 ] ;
x3 − x0

x2 − x0

dst

dst

disebut sebagai selisih pembagi.



Buku Aajr : METODE NUMERIK

53

BAB IV
DIFERENSIASI DAN INTEGRASI NUMERIK

4.1.

DIFERENSIASI NUMERIK

Pada bagian sebelumnya telah dibicarakan beberapa masalah umum tentang interpolasi.
Misalkan diberikan sekumpulan nilai-nilai ( x0 , y0 ) , ( x1 , y1 ) ,..., ( xn , yn ) , dan x dan y ( x ) ,
yang digunakan untuk mencari suatu polinom ∅ ( x ) sedemikian hingga y ( x ) dan
∅ ( x ) sesuai dengan daftar/kumpulan titik-titik tersebut. Dalam bagian ini, akan
dibicarakan masalah diferensiasi numerik dan integrasi numerik. Permasalahan yang
dimaksud adalah bahwa bila diberikan sekumpulan nilai-nilai xi yang berkorespondensi
dengan yi untuk i = 1, 2,3,

, N , kemudian diupayakan untuk mencari formula guna

menyelesaikan/ menghitung :
dy
untuk suatu nilai x di dalam interval [ x0 , xn ] , dan
dx

(i)
xn

(ii)

∫ y dx .

x0

Lingkup bahasan dalam bagian ini adalah pada nilai-nilai data berjarak sama.
4.1.1. Formula Newton untuk Diferensiasi Numerik
Metode yang umum untuk mencari formula diferensiasi numerik adalah mendiferensiasi
interpolasi polinom. Oleh karenanya, hubungan tiap-tiap formula yang dibicarakan pada
interpolasi, dipakai untuk untuk menyelesaikan permasalahan derivatif secara numerik.
Perhatikan formula selisih maju Newton berikut:
y = y 0 + u ∆y 0 +

u (u -1) 2
u (u -1)(u -) 3
∆ y0 +
∆ y0 + L
2!
3!

(4.1)

dengan
x = x0 + uh atau u =


x − x0
h

(4.2)



54

Dari kalkulus diketahui bahwa aturan rantai untuk derivatif fungsi y = f ( u ) dan
u = g ( x ) diberikan dalam bentuk:
dy dy du
=
⋅
dx du dx
Dengan aturan ini, formula derifatif

dy
yang diturunkan dari persamaan (4.1) adalah
dx

dy dy du 1
2u − 1 2
3u 2 − 6u + 2 3
=
⋅
= [∆y0 +
∆ y0 +
∆ y0 +
dx du dx h
2
6
Formula (4.3) dapat digunakan untuk menghitung nilai

]

(4.3)

dy
untuk nilai-nilai x yang
dx

tidak didaftar. Untuk nilai-nilai x yang didaftar, dapat diturunkan formula dengan cara
sebagai berikut:
Pilih x = x0 sehingga diperoleh u = 0 dari (4.2). Subsitusikan nilai tersebut ke (4.3)
diperoleh :
1
1
1
1
 dy 
=  ∆y0 − ∆ 2 y0 + ∆ 3 y0 − ∆ 4 y0 +
 dx 
2
3
4
  x = xo h 





(4.4)

Dengan menurunkan (4.3) sebanyak 2 (dua) kali lagi terhadap x diperoleh

d2y
1
 dx 2  = h 2



 2
6u − 6 3
12u 2 − 36u + 22 4
∆ y0 +
∆ y0 +
∆ y0 +

6
24






(4.5)

Subsitusikan nilai u = 0 ke (4.5) diperoleh

d2y
1 
11
= 2  ∆ 2 y0 − ∆ 3 y0 + ∆ 4 y0 −
 dx 2 
12

 x = x0 h 





(4.6)

Dengan cara yang sama, formula untuk turunan (derivatif) yang lebih tinggi dapat
diperoleh. Berikut ini beberapa formula derivatif yang dapat diturunkan dengan cara
sebagaimana dikekemukan di atas.
(a) Formula selisih belakang Newton:
1
1
1
 dy 
=  ∇y n + ∇ 2 y n + ∇ 3 y n +
 dx 
2
3
  x = xn h 
d2y 
1
= 2
 dx 2 

 x = xn h






11
5
 2
∇ yn + ∇ 3 yn + ∇ 4 yn + ∇5 yn +

12
6


(4.7)




(4.8)



55

(b) Formula selisih tengah/pusat Stirling :

1  ∆ y + ∆ y 0 1 ∆ 3 y −2 + ∆ 3 y − 1 1 ∆ 5 y − 3 + ∆ 5 y − 2
 dy 
=  −1
−
+
+ ...
 dx 
2
6
2
30
2
  x = x0 h 


d2y
1 
1
1
= 2  ∆ 2 y−1 − ∆ 4 y−2 + ∆ 6 y−3 −
 dx 2 
12
90

 x = x0 h 





(4.9)

(4.10)

Berikut ini formula yang sejenis dengan dua formula sebelumnya ((4.4) dan (4.6)).
1  1 2 1 3 1 4 1 5 1 6 1 7 1 8
 ∆- ∆ + ∆ − ∆ + ∆ − ∆ + ∆ − ∆ +
h  2
3
4
5
6
7
8

y0′ =

=
y0′′ =

=


 y0


1
1 2 1 3 1 4 1 5 1 6 1 7 1 8

 ∆ + ∆ − ∆ + ∆ − ∆ + ∆ − ∆ + ∆ + ...  y−1
h
2
6
12
20
30
42
56


1  2
11
5
137 6 7 7 363 8
∆ − ∆3 + ∆ 4 − ∆5 +
∆ − ∆ +
∆ +
2 
h 
12
6
180
10
560

1  2 1 4 1 5 13 6 11 7 29 8
∆ −
∆ −
∆ +
∆ − ∆ + ∆ −
h2 
12
12
180
180
560

(4.11)


 y0



 y−1


(4.12)

Untuk nilai derivatif yang diinginkan dekat ke akhir dari suatu daftar, salah satu formula
berikut ini dapat digunakan.
yn′ =

=
yn′′ =

=

1
1 2 1 3 1 4 1 5 1 6 1 7 1 8
∇ + ∇ + ∇ + ∇ + ∇ + ∇ + ∇ + ∇ +
h
2
3
4
5
6
7
8


 yn


1
1 2 1 3 1 4 1 5 1 6 1 7 1 8
∇ - ∇ − ∇ − ∇ − ∇ − ∇ − ∇ − ∇ −
h
2
6
12
20
30
42
56
1  2
11
5
137 6 7 7 363 8
∇ + ∇3 + ∇ 4 + ∇5 +
∇ + ∇ +
∇ +
2 
h 
12
6
180
10
560

1  2 1 4 1 5 13 6 11 7 29 8
∇ −
∇ − ∇ −
∇ − ∇ − ∇ −
h2 
12
12
180
180
56


 yn +1


(4.13)


 yn



 yn +1


(4.14)

Contoh 4.1
Diberikan pasangan nilai x dan y sebagaimana ditampilkan dalam Tabel 4.1.
Tabel 4.1.
x

1,0

1,1

1,2

1,3

1,4

1,5

y

7,3890561

9,0250135

11,0231764

13,4637380

16,4446468

20,0855369




Tentukan nilai

56

dy
d2y
dan
pada x = 1,1 .
dx
dx 2

Penyelesaian:
Tabel selisih berkenaan dengan data dalam Tabel 4.1 di atas adalah sebagaimana
diberikan dalam Tabel 4.2 berikut ini.
Tabel 4.2.
x

y

∆

1,0
1,1
1,2
1,3
1,4
1,5

7,3890561
9,0250135
11,0231764
13,4637380
16,4446468
20,0855369

1,6359574
1,9981633
2,4405617
2,9809087
3,6408902

∆2

∆3

0,3622055
0,0801929
0,4423988
0,0979483
0,5403471
0,1163433
0,6599814

∆4

∆5

0,0175502
0,2168603

0,0039310

Dalam kasus ini dipunyai x0 = 1,1; y0 = 9,0250135 , dan h = 0,1 .
Untuk nilai turunan pertama, dapat digunakan formula (4.4) yang memberikan hasil
sebagai berikut:
1 
1
1
1
 dy 

=
 dx 
1,9981633 − 2 0,4423988 + 3 0,0979483 − 4 0,2168603
  x = xo 0,1 

 dy 
= 18, 0419140
 dx 
  x = xo
Bila menggunakan formula (4.11), selisih diagonal pertama yang akan digunakan adalah
1,6359574. Selengkapnya adalah sebagai berikut:
1 
1
1
1
1
 dy 

=
 1,6359574 + 0,3622055 − 0,0801929 + 0,0175502 − 0,0039310 
 dx 
2
6
12
20
  x =1,1 0,1 

 dy 
=18,0497760
 dx 
  x =1,1

Sementara itu untuk mendapatkan nilai turunan kedua untuk titik x = 1,1, dapat
digunakan formula (4.6). Penggunaan formula ini menghasilkan




d2y 
1
= 2
 dx 2 

 x =1,1 0.1

57

11


0,4423988 − 0,0979483 + 12 0,2168603



d2y 
= 36, 432932
 dx 2 

 x =1,1
Contoh 4.2
Hitunglah derivatif kesatu dan kedua di titik x = 1,5 dalam Tabel 4.1.
Penyelesaian:
Untuk derivatif pertama dapat digunakan formula 4.7. Sedangkan derivatif kedua dapat
digunakan formula 4.8. Penggunaan formula-formula tersebut terhadap data pada Tabel
4.2., memerlukan xn = 1,5;

yn = 3,6408902 dan h = 0,1 . Berikut ini adalah hasil

penggunaan formula (4.7) dan (4.8).
Penggunaan formula 4.7:
1 
1
1
1
1
 dy 

=  3,6408902 + 0,6599814 + 0,1163433 + 0,2168603+ 0,0039310
 dx 
2
3
4
5
  x =1,5 10 

 dy 
= 40,1696670
 dx 
  x =1,5

d2y 
1 
11
5

= 2  0,6599814 + 0,1163433 + 0,2168603 + 0,0039310
 dx 2 
12
6


 x =1,5 10 
d2y 
= 80, 2770450
 dx 2 

 x =1,5

Contoh 4.3
Tentukan nilai turunan

dy
d2y
dan
di titik x = 1,3 untuk daftar nilai x dan y pada
dx
dx 2

Tabel 4.1.




58

Penyelesaian:
Untuk menyelesaikan permasalahan ini, dapat digunakan formula 4.9. untuk turunan
pertama dan formula 4.10. untuk turunan kedua. Untuk penggunaan formula-formula
tersebut, pilih x0 = 1,3 . Berikut penggunaan formula tersebut hingga diperoleh hasil
yang diinginkan.
1  2,4405617 + 2,9809087 1 0,0979483 + 0,1163433
 dy 
=
−
 dx 
2
6
2
  x =1,3 0,1 

+

1 0,0039310 + 0,000000 
 = 26,9266880
30
2


d2y 
1
= 2
 dx 2 

 x =1,3 10

1


0,5403471 − 0,2168603 = 53,886750

12



4.1.2. Nilai Maksimum dan Nilai Minimum dari Suatu Daftar Nilai Fungsi
Dari kalkulus, diketahui bahwa nilai maksimum dan minimum dari suatu fungsi dapat
dicari dengan menetapkan derivatif (turunan) pertama sama dengan nol, sehinggga
diperoleh nilai variabel yang menyebabkan suatu fungsi itu maksimum atau minimum.
Dengan cara yang sama seperti disebutkan di atas, dapat digunakan pula untuk nilai
maksimum dan minimum dari suatu daftar fungsi.
Pandang formula selisih maju Newton berikut:

y = y 0 + p ∆y 0 +

p( p − 1) 2
p( p − 1)( p − 2) 3
∆ y0 +
∆ y0 +
2
6

(4.15)

Bila formula (4.15) diturunkan terhadap p diperoleh

dy
2 p −1 2
3 p2 − 3 p + 2 3
= ∆y 0 +
∆ y0 +
∆ y0 +
dp
2
6
Konsep maksimum atau minimum fungsi mengharuskan


(4.16)

dy
=0.
dp



59

Karena itu, ruas kanan (4.16) dengan menganggap sesudah suku ketiga suku-suku
tersebut bernilai sama dengan nol, diperoleh bentuk kuadrat dalam p yakni:
c0 + c1 p + c2 p 2 = 0

(4.17)

1
1

c0 = ∆y 0 − ∆ 2 y0 + ∆ 3 y0 
2
3

2
3
c1 = ∆ y0 − ∆ y0


1

c2 = ∆ 3 y0

2


(4.18)

dengan

Karena x = x0 + ph , maka nilai x dapat ditentukan. Sebagai ilustrasi, perhatikan contoh
berikut.
Contoh 4.4
Deberikan sejumlah data sebagaimana pada Tabel 4.3. berikut
Tabel 4.3.
x

1,2

1,3

1,4

1,4

1,6

y

0.9320

0.9636

0.9855

0.9975

0.9996

Carilah x untuk nilai y maksimum dan carilah nilai maksimum y tersebut (Gunakan
ketelitian hingga dua desimal).
Penyelesaian:
Tabel 4.4. Tabel Selisih Maju untuk Tabel 4.3.
x

y

∆

∆2

1,2
1,3
1,4
1,4
1,6

0,9320
0,9636
0,9844
0,9974
0,9996

0,0316
0,0219
0,0120
0,0021

-0,0097
-0,0099
-0,0099

Karena ketelitian yang diminta adalah dua desimal, formula yang dipergunakan hanya
sampai suku ke dua dari formula (4.16). Dengan menyamakannya dengan nol formula
yang dimaksud diperoleh yakni


2 p −1 2
dy
= ∆y0 +
∆ y0 = 0 diperoleh
dp
2



60

0,0316 +

2 p -1
( −0,0097) = 0 atau p = 3,8 .
2

Karena x = x0 + ph maka x = x0 + ph = 1, 2 + 3,8 ( 0,1) = 1,58 .

Untuk nilai x tersebut,

nilai berada di akhir Tabel 4.3, formula selisih mundur Newton sebaiknya digunakan
untuk

mendapatkan

turunan

pertama.

Penggunaan

formula

(3.14)

untuk

xn = 1, 6 ( yn = 0,9996 ) diperoleh
y (1,58 ) = 0, 9996 − 0, 2 ( 0,0021) +

−0, 2 ( −0, 2 + 1)
( −0, 0099 ) atau
2

y (1,58 ) = 0, 9996 − 0, 0004 + 0,0008 = 1,0

Soal-soal latihan
1. Carilah

d
( j0 ) di x = 0,1 , dari tabel berikut
dx

x

0,0

0,1

j0 ( x ) 1,0000

0.2

0.3

0.4

0,9974

0,9900 0,9776

0,9604

2. Tabel berikut menunjukkan perubahan sudut θ (radian) pada interval waktu t (detik)

θ

0.042

0.104

0.168

0.242

0.327

0.408

0.489

t

0

0.02

0.04

0.06

0.08

0.10

0.12

3. Tabel berikut menunjukkan nilai-nilai x dan y yang saling berkorespondensi
x
y

0

1

2

3

4

4

6

6.9897

7.4036

7.7814

8.1291

8.4410

8.7406

9.0309

Tentukan

dy
d2y
, untuk (i) x = 1 (ii) x = 3 (iii) x = 6 dan
untuk x = 3 .
dx
dx 2




4.2.

61

INTEGRASI NUMERIK

Integrasi numerik umumnya dilakukan apabila :
a. Fungsi yang akan diintegrasi sedemikian hingga tidak ada metode analitik untuk
menyelesaikannya, misalnya
b

∫

sin xdx

a

b. metode analitik ada (bisa dipakai), tetapi agak kompleks untuk digunakan misalnya
ketika akan menyelesaikan integral berikut ini
b

1

∫ 1+ x

4

dx

a

c. Fungsi yang akan diintegrasi, bentuk eksplisitnya tak diketahui, tetapi diberikan
nilai-nilai variabel bebasnya dan nilai-nilai fungsi yang berkorespondensinya di
dalam suatu interval [ a,b ] .

Masalah umum dari integrasi numerik dapat dinyatakan sebagai berikut:
diberikan sekumpulan titik ( x0 , y0 ) , ( x1 , y1 ) ,..., ( xn , yn ) , dari fungsi y = f ( x ) , dimana
bentuk eksplisit dari f ( x ) tidak diketahui, dan dari data (keterangan) tersebut akan
dihitung nilai integral tentu berikut:
b

I = ∫ y dx

(4.19)

a

seperti didalam diferensiasi numerik, f ( x ) akan diaproksimasi oleh interpolasi polinom
∅ ( x ) , dan hasilnya pada integrasi tersebut adalah nilai aproksimasi integral tentu. Jadi,
perbedaan formula integrasi bergantung pada bentuk dari formula integrasi yang dipakai.
Dalam bagian ini formula umum untuk integrasi numerik akan dipakai formula selisih
maju dari Newton.
Misalkan interval

[ a, b ]

dibagi menjadi n interval bagian, sedemikian hingga

a = x0 < x1 < x2 < ... < xn = b . Oleh karena itu xn = x0 + nh . Dengan demikian diperoleh
I=

xn

∫ y dx

(4.20)

x0




62

Aproksimasi y oleh formula selisih maju Newton, kita peroleh:
x

n
p ( p − 1) 2
p( p − 1)( p − 2) 3

I = ∫  y 0 + p ∆y 0 +
∆ y0 +
∆ y0 +
2
6

x0


 dx


(4.21)

Karena x = x0 ph maka dx = h dp , dan karena integral di atas menghasilkan
n

p ( p − 1) 2
p( p − 1)( p − 2) 3

I = ∫  y0 + p ∆y0 +
∆ y0 +
∆ y0 +
2
6
0 


 dp


(4.22)

Dan setelah disederhanakan diperoleh:
xn

∫

x0



n
n (2n − 3) 2
n (n − 2) 2 3
y dx = nh  y 0 + ∆y0 +
∆ y0 +
∆ y0 + ......
2
12
24



(4.23)

Dari formula umum (4.23), kita peroleh macam-macam formula integrasi dengan
mengambil nilai n bulat positif tertentu. Diskusi pada bagian ini dibatasi pada nilai n = 1
dan n = 2 . Hal ini dikarenakan selain hanya sebagai demonstrasi teknis penurunan
formula juga formula yang dihasilkan untuk nilai-nilai ini cukup sering digunakan dalam
pemakaian praktis. Formula yang diperoleh dengan memilih nilai n = 1 dekenal dengan
nama formula aturan Trapezoida sedangkan untuk n = 2 dikenal dengan nama aturan
Simpson 1/3.

Untuk formula aturan Simson 3/8 dan aturan Weddle berturut-turut

diperoleh dengan memilih n = 3 dan n = 6 dari formula umum 4.23.
4.2.1. Aturan Trapezoida
Untuk n = 1 dalam formula umum (4.23) dan semua turunan yang lebih dari turunan
pertama sama dengan nol, formula tersebut menjadi:

∫

x2

x1

y dx = h [ y0 + 1 2 ∆y0 ]
= h  y0 + 1 2 ( y1 − y0 ) 


=

(4.24)

h
[ y0 + y1 ]
2

Dengan cara yang sama untuk interval berikutnya [ x1 , x2 ] , diperoleh juga:

∫

x2

x1

y dx =

h
[ y1 + y2 ]
2

(4.25)

Dengan menggunakan prinsip induksi matematika, untuk interval terakhir [ xn −1 , xn ] ,
diperoleh



xn

∫

63

y dx =

xn -1

h
[ yn-1 + yn ]
2

(4.26)

Dengan menjumlahkan hasil-hasil pada (4.24), (4.25), dan (4.26), diperoleh skema
berikut ini:
xn

∫ y dx

=

x0

h
[ y0 + 2 ( y1 + y2 +
2

+ yn-1 )]

(4.27)

yang dikenal sebagai “Aturan Trapezoida” untuk integrasi numerik (4.20).
Secara geometri Metode Trapezoida dapat dijelaskan sebagai berikut:
b

Untuk memperoleh hasil aproksimasi

∫ f ( x ) dx , dengan nilai fungsi

f diketahui dari

a

sekumpulan nilai x yang berjarak sama pada interval [ a, b ] . kita tulis nilai-nilai x oleh
xr ( r = 0,1, 2,..., n ) dimana

x0 = a, xr = x0 + rh, xn = x0 + nh = b , dan h konstanta, dan

kita tulis nilai-nilai yang berkorespondensi denga xr oleh f r , yaitu
f r ≡ f ( xr ) ≡ f ( x0 + rh ) .
Perhatikan Gambar 4.1 di bawah ini
y
C

F

D
f1

A
x0 = a

f2

f2

B E
x1 x2

fn−1
xn−1

fn
xn

x

Gambar 4.1
Misalkan bentuk grafik f ( x ) diketahui. Kemudian antara titik ( xr , f r ) dan ( xr +1 , f r +1 )
untuk r = 0,1, 2,..., ( n − 1) dihubungkan oleh garis lurus-grais lurus. Secara matematis,
persamaan garis lurus yang menghubungkan titik-titik ( x0 , f 0 ) dan ( x1 , f1 ) adalah:
 f −f 
y = f 0 + ( x - x0 )  1 0 
 x1 − x0 




64

Bentuk geometris persamaan tersebut tidak lain adalah sebuah trapesium ABCD.
Dengan menggunakan konsep integral Rieman dalam Kalkulus, diperoleh aproksimasi
f ( x ) dalam interval [ x0 , x1 ] adalah:
x1

∫ f ( x) dx

≈ Luas Trapesium ABCD

x0

x1

 f - f0  


= ∫  f 0 + ( x - x0 )  1
 dx
 x1 - x0  
x0 



= f 0 ( x1 - x0 ) +
=

1
2 f - f 
( x1 - x0 )  1 0 
2
 x1 - x0 

1
h ( f1 + f 0 )
2

Demikian juga
xn

∫ f ( x) dx

≈ Luas Trapesium BCEF

x1

x2

1

∫ f ( x) = 2 h ( f

2

+ f1 )

x1

Bila dijumlahkan secara keseluruhan luas-luas trapesium pada Gambar 4.1., maka akan
memberikan persamaan berikut ini:
b

∫

f ( x ) dx

=

a

xn

∫ f ( x )dx

x0

x2

x0

=

xn

x1

∫ f ( x)dx + ∫ f ( x)dx +

+

xn

∫

f ( x )dx

xn −1

1
1
1
h( f 0 + f1 ) + h( f1 + f 2 ) + + h( f n-1 + f n )
2
2
2
1
= h ( f 0 + 2 f1 + 2 f 2 + + 2 f n-1 + f n )
2
=

Subtitusikan f ( x ) = y , y0 = f 0 , y1 = f1 ,..., yn = f n , dan a = x0 serta b = xn diperoleh
kembali formula (4.27).
Contoh 4.5
4

Gunakan aturan trapezoida untuk menghitung

∫ f ( x)dx yang nilai fungsinya diberikan
2

dalam Tabel 4.5. berikut :




65

Tabel 4.5.Tabel nilai fungsi untuk suatu nilai x yang diberikan.
x

f ( x)

2,0
2,4
3,0
3,4
4,0

1,7321
1,8708
2,0000
2,1213
2,2361

Penyelesaian:
Dari Tabel 4.5. diketahui bahwa h = 0,5 . Dengan menggunakan metode trapezoida
diperoleh:
4

1

∫ f ( x)dx = 2 ⋅ 0,5[1,7321 + 2(1,8708 + 2,000 + 2,1213) + 2,2361]
2

= 0, 25(15,9524)
= 3,9881
Kekeliruan aturan Trapezoida dapat dihitung dengan cara sebagai berikut:
Asumsikan y = f ( x ) kontinu dan mempunyai derivatif dalam [ x0 , xn ] . Ekspansi y
dalam deret Taylor di sekitar x = x0 memberikan:
x1

∫

x0

x1


( x − x0 ) 2 ''
'
y dx = ∫  y0 + ( x − x0 ) y0 +
y0 +
2
x0 
= hy0 +

2


 dx


(4.28)

3

h ' h ''
y0 + y0 +
2
6

Sehingga diperoleh
h
h
h2
h3
[ y0 + y1 ] =  y0 + y0 + hy0' + y0'' + y0''' +
2
2
2
6
= hy0 +





h 2 ' h 3 ''
y0 + y0 +
2
6

(4.29)

1 3 ''
h y0 +
12

(4.30)

Dari (4.28) dan (4.29) diperoleh
x1

h

∫ y dx − 2 [ y

x0

0

+ y1 ] = -

yang merupakan ukuran galat dalam interval [ x0 , x1 ] .
Dengan cara yang sama, diperoleh kekeliruan-kekeliruan untuk setiap interval bagian

[ x1 , x2 ] , [ x2 , x3 ] ,..., [ xn −1 , xn ]



66

yaitu semua kekeliruan ( E ) yang dapat dihitung dengan menggunakan formula berikut:
E = -

1 3 ''
''
h ( y0 + y1'' + ......... + yn −1
12

(4.31)

dengan E disebut kekeliruan total. Apabila ruas kanan (4.31) disubsitusikan ke dalam
''
''
y '' ( x ) = ( y0 + y1'' + ... + yn −1 ) maka akan diperoleh:

E = -

(b - a ) 2 ''
h y ( x)
12

(4.32)

karena nh = ( b − a ) .

4.2.2 Metode Simpson
Salah satu teknik intgrasi numerik yang cukup sering dipakai adalah metode Simpson.
Metode Simpson dapat diperoleh dari persamaan (4.23) untuk n = 2 , yaitu dengan
aproksimasi parabolis. Formula untuk aturan ini diperoleh dengan cara sebagai berikut:
x2

1


= 2 h  y0 + ∆y 0 + ∆ 2 y 
6



∫ y dx

x0

1


= 2h  y0 + ( y1 − y1 ) + ∆( ∆y0 ) 
6


1
= 2h [ y1 + ∆ ( y1 − y0 )]
6
1
= 2h [ y1 + [( y2 − y1 ) − ( y1 − y0 )]]
6
1
= 2h [ y1 + ( y2 − 2 y1 + y0 )]
6
1
2
1
= 2h [ y0 + y1 + y1 ]
6
3
6
h
= [ y0 + 4 y1 + y2 ]
2
x4

Dengan cara yang sama diperoleh pula

∫ y dx

x2
xn

diperoleh

∫

xn − 2

y dx =

=

h
[ y2 + 4 y3 + y4 ] . Secara umum
3

h
[ yn −2 + 4 yn−1 + yn ] . Jumlah keseluruhan integral yang dimiliki
3

adalah



xn

∫ y dx

h
[ y0 + 4( y1 + y3 + y5 +
3

=

x0

67

+ yn − 2 ) + yn ]

+ yn −1 ) + 2( y2 + y4 + y6 +

(4.33)

Integrasi numerik dengan menggunakan formula (4.33) dikenal dengan sebutan metode
Simpson 1/3. Di dalam metode ini, interval integrasi dibagi menjadi interval bagian
yang banyaknya genap dengan jarak h . Seperti halnya pada metode trapezoida, galat
pada metode Simpson dapat ditunjukkan sebagai berikut:
b

h


∫ f ( x ) dx − 3  y

0

+ 4 ( y1 + y3 + y5 + ... + yn −1 ) + 2 ( y2 + y4 + y6 + ... + yn −2 ) + yn 


a

( b - a ) h 4 y (4) x
=( )
180
dengan y (

4)

(4.34)

( x ) adalah nilai terbesar dari derivatif ke-4.

Contoh 4.6.
4

Gunakan aturan Simpson 1/3 untuk menyelesaikan intgral

∫ f ( x ) dx

bila diketahui

2

nilai-nilai x dan f ( x ) adalah sebagai berikut:
Tabel 4.6. Daftar sejumlah nilai x yang berkoresndensi dengan f ( x )
f ( x)

x
2,0
2,4

1,8708

3,0

2,0000

3,4

2,1213

4,0

( y0 )
( y1 )
( y2 )
( y3 )
( y4 )

1,7321

2,2361

Dari Tabel 4.6. diketahui h = 0,5 . Oleh karena itu penggunaan metode Simpson
memberikan:
4

h

∫ f ( x ) dx = 3 [ y

0

+ 4( y1 + y3 ) + 2 y2 + y4 ]

2

= (0,4/3)[1,7324+4(1,8708+2,1213)+2(2,00+2,2361)]
= (4/3)[23,9366] = 3,894

(dibulatkan keempat angka signifikan)


68

Contoh 4.7.
Sebuah objek dibatasi oleh sumbu x , garis x = 0 , garis x = 1 , dan kurva yang melalui
titik-titik pada daftar berikut diputar mengelilingi sumbu x .
Tabel 4.7.
x

0,0

0,24

0.40

y

1.0000

0,9896

0,9489 0,9089

0.74

1.00
0,8414

Estimasilah volume benda yang terjadi, dan hitunglah teliti sampai tiga desimal
Penyelesaian:
Bila V adalah volume benda yang terjadi, maka kita peroleh:
1

V = π ∫ y 2 dx
0

Dari formula terakhir ini kita perlukan untuk nilai-nilai y 2 seperti pada tabel berikut,
teliti sampai empat tempat desimal:
Tabel 4.8.
x

0,0

0,24

0.40

y2

1.0000

0,9792

0,9194 0,8261

0.74

1.00
0,7081

Dengan h = 0, 25 , metode Simpson memberikan
V =π ⋅

h
[ y0 + 4( y1 + y3 ) + 2 y2 + y4 ]
3

0, 25
1, 0000 + 4 ( 0,9793 + 0,8261) + 2 ( 0,9195 ) + 0, 7081

3 
= 2,819
=π ⋅

Contoh 4.8.
1

1
dx , teliti hingga tiga tempat desimal.
1+ x
0

Evaluasi I = ∫

Dengan menggunakan metode trapezoida dan metode Simpson, untuk masing-masing
h = 0,5 , h = 0, 25 dan h = 1, 25 .




(i)

69

untuk h = 0,5 , maka nilai x dan y ditunjukkan oleh tabel berikut:

Tabel 4.9
x

0,0

0,4

1,0

y

1.0000

0,6667

0,4

(a) Aturan trapezoida memberikan
I=

1
1, 0000 + 2 ( 0, 6667 ) + 0,5 = 0, 708

4

(b) Metode Simpson memberikan
I=

(ii)

1
1, 0000 + 4 ( 0, 6667 ) + 0,5 = 0, 694

6

Untuk h = 0, 25 , daftar nilai x dan y adalah

Tabel 4.10
x

0,0

0,24

0,4

0,74

1,00

y

1.0000

0,8000

0,6667

0,4714

0,4

a. Aturan trapezoida memberikan
1
I = 1, 0 + 2 ( 0,8000 + 0, 6667 + 0,5714 ) + 0,5 = 0, 697

8
b. Metode Simpson memberikan
I=

(iii)

1
1, 0 + 4 ( 0,8000 + 0,5714 ) + 2 ( 0, 6667 ) + 0,5 = 0, 693

12 

Untuk h = 0,125 , daftar nilai x dan y adalah

Tabel 4.11.
x
y

0,000

0,124

0,24

0,374

0,400

0,624

0,740

0,874

1,000

1.0000 0,8889 0,8000 0,7273 0,6667 0,6144 0,4714 0,4333 0,4000

(a) Aturan trapezoida memberikan




I=

70


 0,8889 + 0,8000 + 0,7273 + 0,6667 + 0,6154 
1 
1,0 + 2 
 + 0,5 = 0,694
16 
 + 0,5714 + 0,5333



(b) Metode simpson memberikan
I=

1 1, 0 + 4 ( 0,8889 + 0,7273 + 0, 6154 + 0,5333) + 

 = 0,693
24  2 ( 0,8000 + 0,6667 + 0,5714 ) + 0,5




Dari hasil perhitungan di atas, nilai-nilai dari I adalah 0, 693 , teliti sampai tiga desimal.
Nilai yang eksak dari I adalah e log 2 atau ln 2 , yang sama dengan 0, 693147...
Dari beberapa contoh di atas, diperoleh hasil keakuratan metode Simpson melebihi
Aturan Trapezoida.
4.2.3 Integrasi Romberg
Metode ini sering digunakan untuk memperbaiki hasil aproksimasi oleh metode selisih
terhingga. Metode ini dipakai untuk evaluasi numerik dari integral tentu, misalnya dalam
penggunaan aturan trapezoida.
Misal diberikan integral tentu dalam bentuk
b

I =

∫ y dx
a

Dengan aturan trapezoida (4.27) untuk dua interval bagian yang berbeda yang
panjangnya h1 dan h2 akan diperoleh aproksimasi nilai-nilai I1 dan I 2 .

Kemudian,

berdasarkan persamaan (4.32) diperoleh kekeliruan E1 dan E2 yaitu
E1 = -

()

1
( b − a ) h12 y '' x
12

(4.35)

dan
E2 = -

()

Karena suku y′′ x

()

1
( b − a ) h22 y′′ x
12

(4.36)

dalam (4.36) adalah nilai terbesar dari y′′ ( x ) , maka cukup

()

()

beralasan untuk menganggap bahwa y′′ x dan y′′ x adalah sama. Sehingga diperoleh




71

E1 h12
=
E2 h22
dan berdasarkan perbandingan itu diperoleh pula
E2
h2
= 2 2 2
E2 − E1 h2 − h1
Karena E2 − E1 = I 2 − I1 , maka diperoleh
E2 =

h22
( I 2 − I1 )
h22 − h12

(4.37)

Oleh karen itu aproksimasi baru I diperoleh dengan bentuk:
I 3 = I 2 − E2
I3 = I 2 −
I3 =

h2
( I 2 − I1 )
h22 − h12

I1h22 − I 2 h12
h22 − h12

(4.38)

Karena menggunakan prinsip korektor, formula (4.38) akan memperpiki nilai
aproksimasi sebelumnya yang dan akan mendekati nilai yang sebenarnya.
Dengan mensubstitusikan
h2 =

1

h =

2 1

1

2

h ,

ke dalam persamaan (4.38) diperoleh
I ( h, 1 2 h ) = 1 3  4 I ( 1 2 h ) − I ( h ) 



(4.39)

dengan I ( h ) = I1 , I ( 1 2 h ) = I 2 , dan I ( h, 1 2 h ) = I 3 .
Penulisan (4.39) dapat dibuat tabelnya sebagai berikut:
Tabel 4.12.
I (h)
I ( 12 h)
I ( 14 h)
I (1 8 h )

I ( h, 1 2 h )
I ( 1 2 h, 1 4 h )
I ( 1 4 h,1 8h )

I ( h, 1 2 h, 1 4 h )
I ( 1 2 h, 1 4 h,1 8h )

I ( h, 1 2 h, 1 4 h,1 8h )

Perhitungan dengan pola sebagaimana yang ditunjukan oleh tabel tersebut di atas
dihentikan bila dua nilai yang berturutan memenuhi toleransi yang diberikan. Metode
ini, dikenal dengan nama metode Integrasi Romberg.




72

Contoh 4.9.
1

1
dx teliti hingga tiga tempat
1+ x
0

Gunakan metode Romberg untuk menghitung I = ∫
desimal.

Ambil berturut-turut h = 0,5, h = 0, 25 , dan h = 0,125 . Dengan mengunakan hasil yang
diperoleh dari Contoh 4.8 didapat:
f ( h ) = 0, 7084, f

( 1 2 h ) = 0, 6970, dan f ( 1 4 h ) = 0, 6941

Dengan menggunakan formula (4.39) diperoleh
f ( h, 1 2 h ) = 1 3  4 I ( 1 2 h ) − I ( h ) 


= 1 3  4 ( 0, 6970 ) − 0, 7084 


= 0, 6932
dan
f

( 1 2 h, 1 4 h ) = 1 3  4 I ( 1 4 h ) − I ( 1 2 h ) 


= 1 3  4 ( 0, 6941) − ( 0, 6970 ) 


= 0, 6931

Akhirnya,
f ( h, 1 2 h, 1 4 h ) = 1 3  4 I ( 1 2 h, 1 4 h ) − I ( h, 1 2 h ) 


= 1 3  4 ( 0, 6931) − 0, 6932 


= 0, 6931
Berikut ini tabel dari nilai-nilai yang telah diperoleh di atas
Tabel 4.13.
0,708
0,6970
0,6941

0,6932
0,6931

0,6931

Catatan: Dengan metode Romberg, ketelitian dari setiap perhitungan nilainya dapat
diketahui pada setiap langkah.




73

Soal-soal latihan
1. Bila y = A + BX + CX 2 , dan y0 , y1 , y2 adalah nilai-nilai y yang berkorespondensi
berturut-turut dengan x = a, x = a + h dan x = a + 2h , buktikan bahwa
a+h

∫

y dx =

a

h
( y0 + 4 y1 + y2 )
3

2. Gunakan suatu metode untuk mengaproksimasi luas daerah di bawah kurva. Kurva
yang dimaksud melalui titik-titik yang diberikan dalam tabel berikut:
Tabel 4.14.
x

0,0

0,4

1,0

1,4

2,0

2,4

3,0

3,4

4,0

y

23

19

14

11

12,4 16

19

20

20

Hitunglah luas daerah yang dibatasi oleh kurva tersebut, sumbu x dan ordinat
yang ekstrim
3. Pergunakan aturan Trapezoida untuk menghitung
3,9

1

∫ xdx
3

teliti hingga tiga tempat desimal. Cobalah beberapa nilai h dan tentukan nilai h
yangmana memiliki ketelitian yang diharapkan.
3

4. Evaluasi

1

∫ xdx

dengan menggunakan metode Simpson dengan membagi daerah

1

menjadi 4 pias, kemudian tentukan kekeliruannya apabila dibandngkan dengan
integrasi langsung. Dengan cara yang sama cobalah periksa bila pias dibuat menjadi
8.
5. Hitunglah nilai dari
1

dx
1 + x2
0

I =∫

dengan menggunakan aturan Trapezoida untuk h = 0,5, h = 0, 25 , dan h = 0,125 .
Kemudian, pergunakan juga metode Romberg untuk mendapatkan hasil yang lebih
baik.




74

BAB V
PENGEPASAN KURVA (CURVE FITTING)

5.1 PENGERTIAN PENGEPASAN KURVA DAN REGRESI
Sebelumnya telah dibahas aproksimasi suatu pungsi f(x) melalui interpolasi pada titik –
titik tertentu. Prosedur seperti itu menghendaki bahwa nilai f(x) pada titik–titik ini
diketahui. Misal fungsi f(x) melukiskan hubungan antara dua buah besaran fisik x dan
y = f(x), dan melalui pengukuran atau percobaan lain, kita memperoleh bilangan fn yang
hanya mengaproksimasi nilai dari f(x) pada xn yaitu
f (xn)= fn +En

,

n = 1,…..,N

dimana nilai kesalahan–kesalahan eksperimennya (En) tidak diketahui.
Selain itu, dalam analisis data sering dilakukan pembuatan suatu kurva yang dapat
mewakili suatu rangkaian data yang diberikan dalam sistem koordinat xy. Data tersebut
dapat berupa hasil percobaan di laboratorium atau pengamatan di lapangan seperti :
1. pengujian kuat desak beton yang memberikan hubungan antara beban dan kuat
desak beton,
2. pengukuran debit sungai yang memberikan hubungan antara kedalaman aliran
dan debit sungai,
3. hubungan antara data hujan dan debit di sungai,
4. pertumbuhan arus barang atau penumpang disuatu pelabuhan, terminal atau
bandara dari tahun ke tahun,
5. pertumbuhan jumlah penduduk sebagai fungsi waktu,
6. hubungan antara kandungan oksigen di air dan temperatur, dan sebagainya.
Karena adanya kesalahan atau ketidakpastian dalam pengujian, pengukuran atau variasi
perubahan data dari waktu ke waktu, maka titik-titik data tersebar dalam koordinat xy.
Sebagai contoh, volume barang atau jumlah penumpang yang dilayani oleh suatu
pelabuhan tidak selalu sama setiap hari atau bulan atau tahun. Kondisi tersebut




75

menyebabkan penyebaran data berkaitan dengan hubungan antara volume
barang/penumpang dan tahun pengamatan.
Upaya untuk melakukan pengepasan kurva terhadap data biasanya dilakukan dengan
cara regresi. Dalam analisis regresi umumnya dibuat kurva atau fungsi berdasarkan
sebaran titik data. Kurva yang terbentuk diharapkan dapat mewakili titik-titik tersebut.
Seringkali, setelah kurva terbentuk, dilakukan pula ekstrapolasi untuk mendapatkan nilai
y yang berkaitan dngan nilai x yang berada di luar rangkaian data yang ada. Misalnya
dalam melakukan prediksi jumlah barang atau penumpang yang akan dilayani suatu
pelabuhan pada tahun-tahun yang akan datang ( prediksi 5,10,15,…,n tahun yang akan
datang).
Metode yang sering digunakan untuk membuat kurva sebagaimana dimaksudkan di atas
adalah metode kuadrat terkecil ( least square method ). Metode tersebut
memungkinkan untuk membuat kurva yang paling mendekati titik-titik data. Perhatikan
Gambar 5.1. Gambar ini menjelaskan penyebaran titik-titik data hasil suatu percobaan
pada sistem koordinat xy. Penetapan bentuk kurva, apakah kurva linier (garis lurus) atau
lengkung (logaritmik atau eksponensial), tergantung dari kecendrungan (trend) dari
penyebaran titik data, seperti ditunjukkan dalam Gambar 5.1.a. dan 5.1.b. Seringkali
dijumpai adanya beberapa data yang tidak wajar (outlier) yang mempunyai kesalahan
sangat besar seperti titik A dan B pada Gambar 5.1. Pembuatan kurva dengan
melibatkan/menggunakan titik A dan B juga berpotensi menghasilkan nilai yang
mempunyai kesalahan yang besar. Oleh karena itu data A dan B “dapat” dihilangkan.

Gambar 5.1. Plot data pengukuran




76

Analisis regresi menggunakan beberapa notasi dan teori statistik. Oleh karena itu
sebelum mempelajari regresi kuadrat terkecil lebih mendalam, dalam sub bab berikut
akan diingat kembali beberapa prinsip statistik.
5.2 NILAI TENGAH DAN STANDAR DEVIASI DATA SAMPEL
Dipandang data hasil pengukuran debit rerata tahunan sungai Serang di stasiun
Bendungan di Kabupaten Kulon Progo selam 15 tahun berturut-turut seperti diberikan
dalam Tabel 5.1. Kolom kedua dari tabel tersebut adalah debit rerata tahunan, sedang
kolom ketiga dan keempat adalah nilai-nilai yang digunakan untuk hitungan statistik.
Tabel 5.1. Debit Sungai
Tahun

yi (Debit)

yi - y

(y

1,486
-3,704
0,816
0,616
3,876
-2,864
-3,634
0,966
6,366
-1,634
1,836
-2,304
0,366
-0,154
-2,034

2,208
13,720
0,666
0,379
15,023
8,202
13,206
0,933
40,526
2,670
3,371
5,308
0,134
0,024
4,137

(m3/d)
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
∑ yi = 105,51

8,52
3,33
7,85
7,65
10,91
4,17
3,40
8,00
13,4
5,40
8,87
4,73
7,40
6,88
5,00

∑ (y

i

−y

)

2

i

−y

)

2

= 11

Nilai rerata data ( y ) adalah jumlah nilai data (yi) dibagi dengan banyaknya data (n),
yaitu :
y=
dengan

∑y

∑y

i

n
i

adalah penjumlahan nilai data dari i = 1,2,…,n

Data dalam Tabel 5.1. memiliki nilai rerata adalah :



15

n

∑ yi

y=

i =1

n

77

∑y

=

i =1

i

105,51
= 7,034
15

=

15

Penyebaran data dapat diukur dengan menggunakan deviasi standar ( σ ) terhadap nilai
rerata, yang diberikan oleh rumus berikut ini :

σ=

∑ (y

D2
=
n −1

i

−y

)

2

n −1

dengan D2 = jumlah kuadrat selisih antara nilai data dan nilai rerata.
Semakin besar sebaran data terhadap nilai rerata, maka semakin besar pula deviasi
standar σ . Demikian juga sebaliknya. Penyebaran juga dapat dipresentasikan oleh
varians (kuadrat dari deviasi standar) yang diberikan oleh rumus berikut
D2
σ =
=
n −1
2

∑ (y

−y

i

)

2

n −1

Data dalam Tabel 5.1. memiliki nilai deviasi standar dan varians masing-masingnya
adalah :

σ=

∑ (y

i

−y

)

2

n −1

=

110,507
= 2,810
15 − 1

dan

σ

2

∑ (y
=

i

−y

n −1

)

2

=

110,507
= 7,893
15 − 1

5.3 METODE KUADRAT TERKECIL
Misalkan diberikan sejumlah data yang bila dirajah pada bidang kartesius xy memiliki
sebaran titik-titiknya sebagaimana tampilan pada Gambar 5.2. Akan dicari suatu kurva
g(x) yang dapat mewakili titik percobaan tersebut. Dalam metode numerik, cara
termudah membuat kurva g(x) adalah dengan interpolasi linear yang mana pasangan
nilai fungsinya diperoleh dari hasil visualisasi secara bebas oleh tangan. Tetapi cara ini
tidak bisa memberikan hasil yang memuaskan, terutama apabila penyebaran titik data
cukup besar. Diinginkan suatu metode yang lebih pasti untuk mendapatkan kurva
tersebut yaitu dengan membuat kurva yang meminimumkan galat (perbedaan/selisih




78

antara titik-titik data dan kurva yang dibuat). Teknik untuk mendapatkan kurva tersebut
dikenal dengan regresi kuadrat terkecil.

Gambar 5.2. Kurva mewakili titik-titik data
Teknik regresi kuadrat terkecil dilakukan dengan prosedur sebagai berikut:
1. Rajah pasangan data percobaan pada suatu koordinat kartesius. Hasil rajahan
tersebut akan diketahui sebaran titik data (trend/pola data). Kemudian tentukan
apakah kurva yang mewakili data berupa garis lurus (linear) atau lengkung (non
linear).
2. Dipilih suatu fungsi polinom g(x) yakni
g ( x ) = a0 + a1 x + a2 x 2 +

+ ar x r

(5.1)

yang diasumsikan dapat mewakili f(x). Koefisien-koefisien a0,a1,…,ar. dalam
persamaan (5.1) adalah parameter fungsi tersebut.
3. Tentukan nilai-nilai parameter a0,a1,…………,ar sedemikian hingga g(xi ; a0, a1,…,ar)
melalui “hampir” semua titik-titik data. Bentuk g(xi ; a0, a1,…,ar) mempunyai arti
fungsi g(xi) dengan parameter a0, a1,……, ar.
4. Apabila koordinat dari titik-titik percobaan adalah M(xi , yi ), dengan i = 1, 2, 3,…..,n
maka selisih ordinat antara titik-titik tersebut dengan fungsi g(xi ; a0, a1,…, ar) adalah
Ei = Mi Gi = yi – g (xi ; a0, a1,………, ar)
= yi – (a0 + a1xi + a2xi2 + a3xi3 + …. + arxir)
5. Pilih suatu fungsi g(x) yang mempunyai nilai Ei minimum yakni




D2 =

n

79
n

∑ Ei = ∑{ yi − g ( xi )}
2

i =1

2

(5.2)

i =1

6. Tentukan nilai parameter a0, a1, …. , ar sedemikian sehingga D2 adalah minimum.
D2 menjadi minimum jika turunan pertamanya terhadap a0, a1, …. ,ar sama dengan
nol,yakni
∂D 2
=0
∂ a0
∂D 2
=0
∂a1
.
.
.
∂D 2
=0
∂a r

(5.3)

7. Selesaikan sistem (5.3) untuk memperoleh nilai parameter a0, a1,a2,...,ar.
8. Subsitusikan nilai-nilai parameter yang diperoleh dalam langkah 7 ke persamaan
polinom (5.1) sehingga diperoleh bentuk fungsi g(x).
5.4 METODE KUADRAT TERKECIL UNTUK KURVA LINIER
Pilih fungsi g(x) dalam (5.1) beberbentuk:
g(x) = a + b x

(5.4)

dalam hal ini, a 0 = a dan a 1 = b.
Bentuk (5.4) adalah bentuk paling sederhana dari regresi. Jumlah kuadrat dari galat
dihitung dengan menggunakan (5.2) sehingga diperoleh
D2 =

n

∑E
i =1

i

2

n

= ∑ {yi − a − bxi }

2

(5.5)

i =1

Turunkan persamaan (5.5) satu kali terhadap a dan b, lalu samakan dengan nol.
Turunan terhadap a memberikan hasil:
∂D 2
=0
∂a
2

∂  n

 ∑ yi − a − bxi  = 0
∂a  i =1





80

n

-2 ∑ ( yi − abxi ) = 0
i =1

∑ y − ∑ a − ∑ bx
i

i

=0

(5.6)

Dan turunan terhadap b memberikan hasil:
∂D 2
=0
∂b
2

∂  n

 ∑ yi − a − bxi  = 0
∂b  i =1

−2

n

∑ [( y
i =1

i

− a − bxi )xi ] = 0

∑ y x − ∑ ax − ∑ bx
i i

i

2

i

=0

(5.7)

Persamaan-persamaan (5.6) dan (5.7) dapat disederhakan menjadi :
na + ∑ xib = ∑ yi

(5.8)

∑x

(5.9)

i

dengan

a + ∑ x 2ib = ∑ xi yi

∑ a = na .

Tinjau persamaan (5.8), ia dapat ditulis sebagai
na = ∑ yi − ∑ xib = ∑ yi
a=

1
(∑ yi − ∑ xib)
n

a=

1
1
∑ yi − n ∑ xib
n

(5.10)

atau
_

_

a = y− b x

(5.11)

Subsitusi (5.10) ke (5.9), diperoleh
1
∑ x n (∑ y − ∑ x b ) + ∑ x
i

i

i

2

i

b = ∑ xi y i

∑ x ∑ y − (∑ x ) b + n ± ∑ x b = n∑ x y
b[n∑ x − (∑ x ) ] = n∑ x y − ∑ x ∑ y
2

i

i

2

i

2

i

i

i

i

2

i

i

i

i

i

atau




81

n∑ xi yi − ∑ xi ∑ yi
2

b=

(5.12)

n∑ xi − (∑ xi )

2

2

Subsitusi a dan b masing-masing ke (5.11) dan (5.12) maka fungsi g(x) dapat ditentukan
bentuknya.
Persamaan garis lain, selain persamaan (5.4) memberikan jumlah kuadrat yang lebih
besar. Dengan demikian persamaan (5.4) adalah perkiraan terbaik dari data .Untuk
mengetahui derajat kesesuaian dari persamaan yang didapat ,dihitung nilai koefisien
korelasi yang berbentuk :
2

r=

Dt − D 2
2
Dt

(5.13)

Dengan r adalah koefisien korelasi ,sedang D 2 dan Dt2 diberikan oleh bentuk :
n
_


2
Dt = ∑  yi − y 

i =1 

2

2

n

D 2 = ∑ ( yi − a0 − a1 x )
i =1

Nilai r bervariasi antara 0 dan 1. Untuk perkiraan yang sempurna nilai r = 1. Apabila
r = 0 perkiraan suatu fungsi sangat jelek. Koefisien korelasi ini juga dapat digunakan
untuk memilih suatu persamaan dari beberapa alternative yang ada, terutama di dalam
regresi garis tidak lurus. Kurva lengkung dapat didekati dengan beberapa tipe persamaan,
misalnya bentuk y = a x b, y = a e b, y = a0 + a1x + a2x2 , atau persamaan lain. Dari
beberapa alternative tersebut dipilih persamaan yang mempunyai nilai koefisien korelasi
terbesar (paling mendekati 1) .
Contoh 5.1
Tentukan persamaan garis yang mewakili data berikut :
x

1

2

3

4

5

6

7

8

9

10

y

4

6

8

10

14

16

20

22

24

28

Penyelesaian:
Tempatkan pasangan data ke dalam sistem koordinat xy. Kemudian buat garis lurus
dengan teknik “tangan bebas” yang mana garis lurus tersebut sedapat mungkin melalui
semua data yang ada (lihat Gambar 5.3).



82

Gambar 5.3. Sebaran titik-titik data pada sistem koordinat
Dengan menggunakan metode kuadrat terkecil, bentuk fungsi g(x) berupa garis lurus
dapat ditentukan dengan cara sebagai berikut
1. Untuk data yang diberikan, buat tabel sebagaimana yang ditampilkan oleh Tabel 5.2.
Tabel 5.2.
No

xi

yi

xi yi

x i2

1
2
3
4
5
6
7
8
9
10

4
6
8
10
14
16
20
22
24
28
152

30
18
22
28
14
22
16
8
20
8
186

120
108
176
280
196
352
320
176
480
224
2432

16
36
64
100
196
256
400
484
576
784
2912

∑

2. Tentukan nilai rerata dari x dan y yakni:
−

x=
−

y=

∑ x = 152 = 15,2
n

10

∑ y = 186 = 18,6
n

10




83

3. Asumsikan persamaan garis yang mewakili titik-titik data adalah persamaan (5.4)
dengan koefisien-koefisiennya adalah (5.11) dan (5.12)
4. Dari Tabel 5.2., (5.12) dan (5.11) masing-masing memberikan
b=
=

n∑ xi yi − ∑ xi yi
n∑ xi − (∑ xi )
2

2

10 × 2432 − 152 × 186
3952
=−
= −0,6569
2
10 × 2912 − (152)
6016

dan
_

_

a = y − b x = 18,6 + 0,6569 × 15,2 = 28,5849

Jadi persamaan garis untuk tabel data sebagaimana diberikan dalam soal adalah :
y = 28,5849 – 0,6569 x
Catatan:
Penyelesaian terhadap permasalahan dalam Contoh 5.1, proses aritmatikanya
menggunakan alat kalkulator. Apabila jumlah data banyak maka perlu dilakukan dengan
menggunakan program komputer .
Untuk dicoba: Dengan menggunakan program komputer, persamaan garis yang
diperoleh adalah y =28,5851 – 0,6569x, dan koefisien korelasi adalah r =0,7232.
Benarkah?
5.5 LINIERISASI KURVA TIDAK LINIER
Ketika dalam praktek dijumpai bahwa sebaran titik-titik pada sistem koordinat
mempunyai kecendrungan (trend) berupa kurva lengkung, proses linerisasi perlu
dilakukan agar persamaan (5.4) bisa digunakan. Perhatikan sebaran data yang
ditampilkan dalam Gambar 5.4. Data diketahui menyebar tidak linear. Dalam gambar
5.4.a titik data diwakili oleh kurva linier, sedang Gambar 5.4.b diwakili oleh kurva
lengkung.




84

Gambar 5.4. Titik data didekati dengan garis lurus (a) dan lengkung (b).
Jelaslah bahwa pendekatan dengan kurva lengkung memberikan hasil yang lebih baik
daripada garis lurus (kurva linier).
Proses linerisasi dimaksudkan agar persamaan regresi linier dapat digunakan untuk
mempresentasikan kurva lengkung. Oleh karena itu perlu dilakukan transformasi
koordinat sedemikian hingga sebaran titik data bisa dipresentasikan dalam kurva linier.
Fungsi yang digunakan untuk transformasi data non linear menjadi linear satu diataranya
adalah fungsi logaritma. Fungsi ini biasa digunakan untuk asumsi fungsi g(x) berbentuk
ekspnensial ( y = a1e b1x misalnya) atau perpangkatan ( y = a2 x b2 misalnya).
5.5.1

Fungsi Eksponensial Umum

Fungsi eksponensial dalam bentuk umum diberikan oleh bentuk berikut ini.
y = a2 x

b2

(5.14)

dengan a2 dan b2 adalah koefisien konstan.
Fungsi (5.14) dapat dilinierkan dengan menggunakan sifat fungsi logaritma sehingga
didapat :
log y = b2 log x + log a2

(5.15)

yang merupakan hubungan log-log antara log y dan log x. Fungsi tersebut mempunyai
bentuk garis lurus dengan kemiringan b2 dan memotong sumbu log y pada log a2.
Gambar 5.5. menunjukan transformasi dari fungsi asli menjadi fungsi logaritma.




85

Gambar 5.5. Kurva sebelum (kiri) dan sesudah transformasi (kasnan).
5.5.2. Fungsi Eksponensial Asli
Fungsi eksponensial didefinisikan sebagai berikut :
y = a1eb 1 x

(5.16)

dengan a1 dan b1 adalah konstanta.
(5.16) dapat dilinierkan dengan menggunakan logaritma natural sehingga menjadi :
ln y = ln a1 + b1 x ln e
Oleh karena ln e = 1, maka :
ln y = ln a1 + b1x

(5.17)

Persamaan (5.17) merupakan hubungan semi logaritma antara ln y dan x. Persamaan
tersebut mempunyai bentuk garis lurus dengan kemiringan b1 dan memotong sumbu ln y
pada ln a1. Gambar 5.6. menunjukkan transformasi dari fungsi asli menjadi fungsi
logaritmik.

Gambar 5.6. Transformasi fungsi eksponensial




86

Contoh 5.2
Tentukan persamaan kurva lengkung yang mewakili data berikut ini.
x

1

2

3

4

5

y

0,5

1,7

3,4

5,7

8,4

Penyelesaian:
Gambar 5.7. menunjukkan sebaran titik data pada sistem koordinat xy. Dicoba untuk
mencari kurva dengan menggunakan dua bentuk transformasi, yaitu transformasi log dan
ln.

Gambar 5.7. Sebaran data dan kurva lengkung
a. Transformasi Logaritma Biasa (log)
Misalkan persamaan kurva yang dicari adalah :
y = a xb
Transformasi dengan menggunakan fungsi log, sehingga :
log y = log a xb

log y = log a + b log x

Dilakukan dengan transformasi berikut :
P = log y

B=b

A = log a

q = log x

Sehingga persamaan di atas dapat ditulis dalam bentuk :
p=A+Bq
Hitungan dilakukan dengan menggunakan Tabel 5.3. Dari hitungan dalam tabel 5.3
didapat beberapa parameter berikut ini.
q=

∑ log x
n

i

=

2,0791
= 0,4158
5




p=

∑ log y
n

i

=

87

2,1411
= 0,42822
5

Tabel 5.3. Hitungan regresi linier dengan transformasi log
xi

No

yi

qi = log xi

pi = log yi

qi pi

qi2
0

1

1

0,5

0

-0,3010

0

2

2

1,7

0,3010

0,2304

0,0693 0,0906

3

3

3,4

0,4771

0,5315

0,2536 0,2276

4

4

5,7

0,6020

0,7559

0,4550 0,3624

5

5

8,4

0,6990

0,9243

0,6461 0,4886

∑

15

19,7

2,0791

2,1411

1,4240 1,1692

Koefisien A dan B dihitung dengan persamaan (5.11) dan (5.12).
B=

=

n∑ qi pi − ∑ qi ∑ pi
n∑ qi (∑ q i )

2

5(1,4240) − (2,0791)(2,1411) 2,6684
=
= 1,7572
5 × 1,1692 − 2,0791 × 2,0791 1,5233

Setelah nilai B didapat kemudian dicari nilai A :
A = p − B q = 0,42822 − 1,7572 × 0,4158 = −0,3024
Dengan demikian persamaan transformasi adalah :
p = −0,3024 + 1,7572q
Mengingat :
A = log a

-0,3024 = log a

B=b

a = 0,4984

b = 1,17572

Maka persamaan yang dicari adalah :
y = 0,4984 x 1,7572

b. Transformasi Logaritma Natural (ln)
Misalkan persamaan kurva mempunyai bentuk :
y = ae bx
Transformasi dengan menggunakan fungsi ln, sehingga persamaan di atas menjadi :
ln y = ln a e bx = ln a + ln e bx
ln y = ln a + bx




88

Dilakukan transformasi berikut :
p = ln y

A = ln a

q=x

B=b

Sehingga persamaan di atas dapat ditulis dalam bentuk :
p = A+ Bq
Hitungan dilakukan dengan menggunakan Tabel 5.4.
Dari hitungan Tabel 5.4 didapat beberapa parameter berikut ini.

q=

∑q

p=

∑p

i

=

n
n

i

15
=3
5

=

4,93
= 0,986
5

Tabel 5.4. Hitungan regresi linier dengan transformasi ln
No

xi = q i

q i = xi

pi = ln y i

qi pi

1

1

0,5

1

-0,6931

-0,6931

2

2

1,7

4

0,5306

1,0612

3

3

3,4

9

1,2238

3,6714

4

4

5,7

16

1,7405

6,962

5

5

8,4

25

2,1282

10,641

∑

15

19,7

55

4,93

21,6425

yi

2

Koefisien A dan B dihitung dengan persamaan (5.11) dan (5.12).
B=

=

n∑ qi pi − ∑ qi pi
n∑ qi − (∑ qi )
2

2

5 × 21,6425 − 15 × 4,93 34.2625
=
= 0,68525
2
50
5 × 55 − (15)

Setelah nilai B didapat kemudian dicari nilai A, yaitu :
A = p − B q = 0,986 − 0,68525 × 3,0 = −1,06975
Dengan demikian persamaan transformasi adalah :
p = −1,06975 + 0,68525 q
Mengingat :




89

A = ln a

− 1,06575 = ln a

B=b

a = 0,3431

b = 0,68525

maka persamaan yang dicari adalah :
y = 0,3431 e 0,68525 x
Untuk memilih salah satu dari kedua hasil terbaik, dihitung nilai koefisien korelasi.
Koefisien korelasi dihitung dengan menggunakan persamaan (5.13) :
2

r=

Dt − D 2
Dt

2

dengan
n

(

Dt = ∑ y i − y
2

i =1

)

2

Dt = ∑ ( y i − a 0 − a1 x )
2

2

Tabel 5.5. Hitungan koefisien korelasi
Transformasi log

Transformasi ln

No

xi

yi

g ( xi )

D2

Dt2

1
2
3
4
5

1
2
3
4
5
15

0,5
1,7
3,4
5,7
8,4
19,7

0,4984
1,6848
3,4354
5,6953
8,4296
∑

0,000003
0,000231
0,00125
0,000022
0,000876
0,00238

11,8336
5,0176
0,2916
3,0976
19,8916
40,132

g ( xi )
0,6835
1,3563
2,6912
5,3401
10,5963
∑

D2

Dt2

0,03367
0,11813
0,50240
012953
4,82373
5,60746

11,8336
5,0176
0,2916
3,0976
19,8916
40,132

Dengan menggunakan hitungan yang diberikan dalam Tabel 5.5., dihitung nilai
koefisien korelasi berikut ini.
Nilai r untuk transformasi log :
2

r=

Dt − D 2
Dt

2

=

40,132 − 0,00238
= 0,99997
40,132

Nilai r untuk transformasi ln :
2

r=

Dt − D 2
Dt

2

=

40,132 − 5,60746
= 0,92751
40,132




90

Dari kedua nilai tersebut, koefisien korelasi r untuk transformasi log adalah lebih besar
dari transformasi ln, sehingga dapat disimpulkan bahwa persamaan yang didapat dari
transformasi log adalah lebih baik.
Soal Contoh 5.2 tersebut diselesaikan dengan hitungan kalkulator. Apabila jumlah data
banyak perlu dihitung dengan program computer. Program 5.2. dan 5.3. adalah program
analisis regresi linier dengan transformasi log dan ln. Kedua program tersebut serupa,
hanya fungsi transformasi yang berbeda.
5.6 REGRESI POLINOMIAL
Di dalam sub bab terdahulu telah dijelaskan penurunan persamaan garis lurus dengan
menggunakanmetode kuadrat terkecil. Untuk kurva lengkung persamaannya dapat
diturunkan dengan melakukan transformasi data asli ke dalam bentuk lain yang sesuai.
Selain dengan transformasi persamaan kurva lengkung juga dapat diturunkan dengan
menggunakan metode kuadrat terkecil.
Persamaan polynomial order r mempunyai bentuk:
y = a 0 + a1 x + a 2 x 2 + ....... + a r x r
jumlah kuadrat dari kesalahan adalah :
n

( (

D 2 = ∑ y i − a 0 + a1 x1 + a 2 xi + ....... + a r xi
i =1

2

r

))

2

Dengan cara seperti dalam sub bab terdahulu, persamaan di atas diturunkan terhadap tiap
koefisien dari polinomial dan kemudian disama-dengankan nol, sehingga diperoleh :

( (

))

n
∂D 2
r
2
= −2∑ y i − a 0 + a1 xi + a 2 xi + ....... + a r xi = 0
∂a 0
i =1

( (

))

( (

))

n
∂D 2
r
2
= −2∑ xi y i − a 0 + a1 xi + a 2 xi + ....... + a r xi = 0
∂a1
i =1
n
∂D 2
r
2
2
= −2∑ xi y i − a 0 + a1 xi + a 2 xi + ....... + a r xi = 0
∂a 2
i =1

.
.

(5.18)

( (

))

n
∂D 2
2
r
r
= −2∑ xi y i − a0 + a1 xi + a 2 xi + ....... + a r xi = 0
∂a r
i =1




91

Persamaan (5.18) dapat ditulis dalam bentuk :
 n

Σxi
Σx 2
 i
 .
 .

 .
 r
Σxi

Σxi
2
Σxi
3
Σxi
.
.
.
r +1
Σxi

2

Σxi
3
Σxi
4
Σxi
.
.
.
r +2
Σxi

.
.
.
.
.
.
.

.
.
.
.
.
.
.

r
. Σxi  a0   Σyi 

 
r +1  
. Σxi   a1   Σxi yi 
2
r +2
. Σxi  a2  Σxi yi 
  

.
.  . =  . 
.
.  .   . 
  

.
.  .   . 
r
r +r 
. Σxi   ar  Σxi yi 
  


(5.19)

Dengan semua penjumlahan adalah dari i = 1 sampai n. Dari r+1 pesamaan tersebut
akan dicari bilangan tak diketahui a0, a1, a2 , … , ar dengan metode eliminasi koefisien
tak diketahui. Koefisien matriks dari persamaan tersebut biasanya sangat padat ( sangat
sedikit koefisien nul ) dan masing-masing koefisien sangat berbeda. Namun demikian
biasanya nilai r adalah kecil sehingga sistem persamaan tersebut masih mudah
diselesaikan.
Contoh 5.3
Cari persamaan kurva polynomial order dua yang mewakili data berikut :
xi

0

1

2

3

4

5

yi

2,1

7,7

13,6

27,2

40,9

61,1

Penyelesaian :
Persamaan polynomial order 2 mempunyai bentuk :
g(x) = a0 + a1x + a2x2
Ei = yi – g (x)

(

Ei2 = Σ y i − a 0 − a1 x − a 2 x 2

)

2

D 2 = ΣEi2
Untuk polynomial order dua, diferensial dari D2 terhadap tiap koefisien dari polynomial
dan kemudian disama-dengankan nol menghasilkan bentuk :




 n

 Σx i
Σxi2


92

Σx i
Σxi2
Σx

3
i

Σxi2  a 0   Σy i 

Σxi3   a1  =  Σxi y i 
  

Σxi4  a 2  Σxi2 y i 

  

(5.20)

Tabel 5.6 Hitungan regresi polynomial order dua
No

xi

yi

x i2

x i3

x i4

x iy i

x i2 y i

1
2
3
4
5
6

0
1
2
3
4
5
15

2,1
7,7
13,6
27,2
40,9
61,1
397,4

0
1
4
9
16
25
55

0
1
8
27
64
125
175

0
1
16
81
256
625
979

0
7,7
27,2
81,6
163,6
305,5
585,6

0
7,7
54,4
244,8
654,4
1527,5
2488,8

Dengan melakukan hitungan dalam Tabel 5.6. maka sistem persamaan (5.20) menjadi :
6a0 + 15a1 + 55a2 = 152,6
15a0 + 55a1 + 225a2 = 585,6
55a0 + 225a1 + 275a2 = 2488,8
Penyelesaian dari persamaan di atas adalah
a2 = 1,860714; a1 = 2,359286; dan a0 = 2,478571.
Dengan demikian persamaan kurva adalah :
y = 2,478571 + 2,359286x + 1,860714x2
5.7. REGRESI LINIER DENGAN BANYAK VARIABEL
Metode regresi linier yang telah dipelajari di depan dapat dikembangkan untuk kasus di
mana y adalah fungsi linier dari dua atau lebih variabel. Misalnya, y merupakan fungsi
linier terhadap x1 dan x2 dalam bentuk :
y = a0 + a1 x1 + a2 x2
Persamaan tersebut dapat digunakan untuk mempresentasikan data pengamatan di mana
variabel yang dipelajari merupakan fungsi dari dua variabel.
Seperti telah diberikan di depan, nilai terbaik dari koefisien a0, a1, dan a2 diperoleh
dengan mencari kuadrat dari kesalahan yang dihitung dengan persamaan berikut :




93

(

n

(

D 2 = ∑ y i − a 0 + a1 x1,i + a 2 x 2,i

))

2

i =1

Dengan cara seperti dalam sub bab terdahulu, persamaan di atas diturunkan terhadap tiap
koefisien dari polynomial, dan kemudian disama-dengankan nol, sehingga diperoleh :
n
∂D 2
= −2∑ ( y i − (a 0 − a1 x1,i − a 2 x 2,i )) = 0
∂a 0
i =1
n
∂D 2
= −2∑ x1,i ( y i − (a 0 − a1 x1,i − a 2 x 2,i )) = 0
∂a1
i =1

(5.21)

n
∂D 2
= −2∑ x 2,i ( y i − (a 0 − a1 x1,i − a 2 x 2,i )) = 0
∂a 2
i =1

Persamaan (5.21) dapat ditulis dalam bentuk berikut :
+ ∑ x1,i a1

na 0

∑x
∑x

1,i

+ ∑ x 2 ,i a 2

a0

+ ∑ x12,i a1

a0

+ ∑ x1,i x 2,i a1

2 ,i

= ∑ yi

+ ∑ x1,i x 2,i a 2

= ∑ x1,i y i

2
+ ∑ x2 a2

= ∑ x 2 ,i y i

atau dalam bentuk matriks menjadi :
 n

 ∑ x1,i
 ∑ x 2 ,i


∑x
∑x
∑x x

∑x
∑x x
∑x

 a0   ∑ y i 
  

1,i 2 ,i   a1  =  ∑ x1,i y i 
2
    ∑ x 2 ,i y i 
2 ,i   a 2 



1,i
2
1,i

1,i

2 ,i

2 ,, i

(5.22)

Sistem persamaan (5.22) dapat diselesaikan dengan menggunakan metode matriks untuk
mendapatkan koefisien a0, a1, dan a2.
Secara umum persamaan regresi linier dengan m variabel mempunyai bentuk berikut:
y = a0 + a1 x1 + a2 x2 + … + am xm
di mana koefisien a0, a1, a2,… sampai am dapat dihitung dari persamaan berikut :
 n
 Σx
 1,i
 Σx 2,i

 .
 .

 .
Σx
 m ,i

Σx1,i
Σx12,i
Σx 2,i x1,i
.
.
.
Σx m ,i x1,i

Σx 2 , i
Σx 2,i x1,i
2
Σx 2 , i
.
.
.
Σx m , i x 2 , i

.
.
.
.
.
.
.

.
.
.
.
.
.
.

. Σx m , i   a 0   Σy i 
. Σx1,i x m ,i   a1   Σx1,i y i 

  
. Σx 2,i x m ,i   a 2  Σx 2,i y i 

  
.
.
 . =  . 
 .   . 
.
.

  
.
.
 .   . 
2
2
. Σx m ,i  a m   Σx m ,i 

  

(5.23)

Koefisien korelasi dapat dihitung dengan Persamaan (5.13).




94

Contoh 5.4.
Buat persamaan kurva yang mewakili data berikut :
x1

0

2

2.5

1

4

7

x2

0

1

2

3

6

2

y

5

10

9

0

3

27

Penyelesaian:
Pandang Tabel 5.7. berikut ini:
Tabel 5.7. Hitungan regresi linier dengan banyak variabel

Σ

5
10
9
0
3
27
54

x2

x1

y

0
2
2,5
1
4
7
16,5

0
4
6,25
1
16
49
76,25

0
1
2
3
6
2

2
x2

x12

0
1
4
3
36
4
54

x1 x2
0
2
5
3
24
14
48

x1 y
0
20
22,5
0
12
189
243,5

x2 y
0
10
18
0
18
55
101

Nilai-nilai yang diperoleh dalam Tabel 5.7. dimasukkan dalam sistem persamaan (5.22),
sehingga diperoleh :
16,5 14  a 0   54 
 6
16,5 76,25 48  a  = 243,5

 1  

 14
48
54 a 2   101 

  

Persamaan matriks ini dengan udah dapat diselesaikan, dan hasilnya adalah a0 = 5,
a1 = 4, a2 = -3. Persamaan kurva yang dihasilkan adalah :
y = 5 + 4x1 – 3x2




95

Soal- Soal Latihan
1. Diberikan data hubungan antara nilai x dan y berikut ini.Gambarkan sebaran titik data
tersebut dalam sistem koordinat x-y. Pelajari bentuk kurva yang sesuai berdasar
sebaran titik data tersebut, dan buatlah persamaan aris yang dapat mewakilinya.
Hitung pula koefisien korelasinya.
x

1

3

5

7

10

12

13

16

18

20

y

3

2

6

5

8

7

10

9

12

10

2. Diberikan data hubungan antara nilai x dan y berikut ini. Gambarkan sebaran titik data
tersebut dalam sistem koordinat xy. Pelajari bentuk kurva yang sesuai berdasar
sebaran titik data tersebut, dan buatlah persamaan garis yang dapat mewakilinya.
x

4

6

8

10

14

16

20

22

24

28

28

34

36

38

y

30

18

22

28

14

22

16

8

20

8

14

14

0

8

3. Soal serupa dengan soal no 1. untuk titik data berikut :
x

1

2

4

4

8

12

16

20

24

28

30

34

y

10

12

18

22

20

30

26

30

26

28

22

20

4. Diberikan data hubungan antara nilai x dan y berikut ini. Gambarkan sebaran titik data
tersebut dalam sistem koordinat xy. Pelajari bentuk kurva yang sesuai berdasar
sebaran titik data tersebut, dan buatlah persamaan garis yang dapat mewakilinya.
x

1

2

2,5

4

6

8

8,5

y

0,4

0,7

0,8

1,0

1,2

1,3

1,4

5. Seperti dalam soal no. 4; dicoba membuat persamaan berpangkat untuk mewakili titik
data tersebut.
6. Buatlah persamaan garis yang mewakili titik data dalam soal 4. dengan persamaan
eksponensial, dan hitung koefisien korelasinya. Beri komentar dan buat kesimpulan
terhadap hasil hitungan soal no.4,5 dan 6.




96

7. Buatlah persamaan garis yang mewakili titik data berikut. Langkah pertama yang
saudara kerjakan adalah menggambarkan sebaran titik data tersebut dalam sistem
koordinat xy. Pelajari bentuk kurva yang sesuai berdasar sebaran titik data tersebut,
dan buatlah persamaan garis yang dapat mewakilinya. Dicoba membuat persamaan
berpangkat. Hitung koefisien korelasi.
x 0,05

0,11

0,15

0,31

0,46

0,52

0,70

0,74

0,82

0,98

1,17

y 0,956

0,890

0,832

0,717

0,571

0,539

0,378

0,370

0,306

0,242

0,104

8. Buatlah persamaan garis yang mewakili titik data dalam soal 7. dengan persamaan
eksponensial, dan hitung koefisien korelasinya. Bandingkan hasil dalam Contoh 3,
soal 7 dan soal 8; pilihlah persamaan yang paling baik.
9. Kerjakan seperti soal no.7 untuk titik data berikut. Dicoba dengan bentuk persamaan
berpangkat, eksponensial, dan polinomial. Hitung koefisien korelasi untuk masingmasing bentuk persamaan.
x

0,05

0,4

0,8

1,2

1,6

2,0

2,4

y

550

750

1000

1400

2000

2700

3750

10. Buatlah kurva regresi linier dengan banyak variabel yang dapat mempresentasikan
data berikut ini.
x1

0

1

2

0

1

2

x2

2

2

4

4

6

6

y

19

12

11

24

22

15

11. Buatlah kurva regresi linier dengan banyak variabel yang dapat mempresentasikan
data berikut ini.
x1

1

1

2

2

3

3

4

4

x2

1

2

1

2

1

2

1

2

y

18

12,8

25,7

20,6

35

29,8

45,5

40,3

12. Buatlah program komputer untuk metode regresi linier dengan tiga variabel bebas.




97

BAB VI
SOLUSI NUMERIK MASALAH NILAI AWAL

6.1.

PENGERTIAN MASALAH NILAI AWAL DAN METODE LANGKAH
TUNGGAL

Sejumlah fenomena alam (masalah-masalah di dalam sains dan teknik) dapat dibuat
model matematikanya dalam bentuk persamaan atau sistem persamaan diferensial. Oleh
karena itu, jika ingin menganalisis suatu fenomena alam dapat dilakukan dengan
menganalisis solusi persamaan atau sistem persamaan diferensial terkait dengannya.
Ada banyak metode analitik dan numerik yang dapat digunakan untuk menyelesaikan
persamaan atau sistem persamaan diferensial. Dalam bagian ini, akan lebih difokuskan
pada sebuah persamaan diferensial biasa (ordinary differential equations) dengan
menggunakan metode numerik.

Definisi 6.1
Masalah nilai awal (MNA) adalah sebuah masalah yang melibatkan satu atau lebih
fungsi yang tidak diketahui beserta turunan-turnannya dalam sebuah persamaan yang
memenuhi syarat awal yang diberikan.
Dengan definisi di atas, MNA untuk sistem persamaan diferensial orde pertama
diberikan dalam bentuk berikut ini
y ′ = f ( x, y ) , y ( x0 ) = y0 , x ∈ [a, b]

(6.1)

dengan simbol “prime“ menyatakan turunan pertama terhadap x, y adalah sebuah vektor
dengan D-dimensional ( y ∈ ℜD ) , dan f : ℜxℜ D → ℜ D .
Persamaan (6.1) akan mempunyai penyelesaian tunggal (eksis dan unik) jika fungsi f
memenuhi sebuah syarat Lipschitz.
Teorema berikut beserta buktinya dapat dijumpai dalam hampir semua buku-buku
persamaan diferensial, Gear (1971) misalnya.




98

Teorema 6.1
Jika persamaan (6.1) adalah sebuah persamaan diferensial sedemikian hingga f(x,y)
kontinu dalam interval [a,b], dan f memenuhi syarat Lipschitz yaitu ada sebuah
konstanta L sedemikian hingga
f ( x , y ) − f ( x , y *) ≤ L y − y *
untuk semua x ∈ [ a,b] dan semua y, y*, kemudian ada fungsi y(x) yang terdeferensial
dan kontinu sedemikian hingga
y ′ = f ( x, y )

(6.2)

dan memenuhi syarat awal y ( x0 ) = y0 .
Jika peubah bebas x tidak muncul secara eksplisit dalam persamaan (6.1) yakni
y ′ = f ( y ),

y ∈ℜD

(6.3)

dengan syarat awal
y ( x0 ) = y0
maka persamaan (6.3) disebut sistem mandiri atau sistem autonomous.
Fungsi f diasumsikan analitik dalam lingkungan nilai awal y ( x0 ) = y0 .

Penyelesaian secara numerik permasalahan (6.1) beserta syarat awalnya adalah sebuah
himpunan diskrit nilai-nilai y, katakanlah {yn}, berkenaan dengan himpunan diskrit nilainilai x,
xn , n = 0,1,2,3,..,N.
Nilai-nilai x ini biasanya diperoleh dalam perlakuan langkah demi langkah. Tentu, nilainilai ini berada atau sangat dekat kepada kurva solusi eksak yakni
yn ≅ y(xn ),
dengan xn+1 = xn + hn , n = 0,1,2,..,N-1; x0 = a,

xN = b, and hn disebut ukuran

langkah (step-size). Ukuran langkah biasanya diambil konstan.
Dalam metode numerik ada dua tipe metode untuk menyelesaikan permasalahan (6.1).
Tipe yang pertama adalah tipe metode langkah tunggal (one-step method). Metode
yang termasuk dalam tipe ini misalnya, metode Taylor, Euler, Mid Point Rule, dan
Runge-Kutta. Sedangkan tipe yang kedua adalah tipe metode langkah ganda (multi
step method). Metode yang termasuk dalam tipe ini adalah metode-metode Adam,
Nyström, Adams-Bashforth, dan Milne-Simpson. Di sini akan difokuskan hanya pada
metode langkah tunggal.



99

Definisi 6.2
Sebuah metode langkah tunggal bentuk eksplisit berkenaan dengan penyelesaian
persamaan (6.1) adalah sebuah metode yang mana dapat ditulis ke dalam bentuk berikut
ini
yn+1 = yn + hn ψ (xn ,yn ,hn ),

(6.4)

dengan ψ (xn ,yn ,hn ) disebut fungsi increment, dan bergantung hanya pada xn , yn , dan
hn, dan n = 0,1,...N.
Definisi 6.3
Metode (6.4) dikatakan konvergen untuk menyelesaikan masalah nilai awal (6.1) jika
yn → y ( x ) untuk semua x ∈ [ a, b] , seiring dengan n → ∞ dan y0 → y ( 0 ) dengan
h = x / n untuk setiap persamaan diferensial (6.1) yang mana memenuhi syarat Lipschitz.
Definisi 6.4
Metode (6.4) adalah stabil jika untuk sebuah persamaan diferensial yang memenuhi
sebuah syarat Lipschitz ada konstanta positif h0 dan C sedemikian hingga selisih antara
dua penyelesaian numerik yn dan yn masing-masing memenuhi (6.4) sedemikian hingga
yn − yn ≤ C yn − yn

untuk semua 0 ≤ h ≤ h0

Teorema 6.2
Jika ψ(x, y,h) memenuhi sebuah syarat Lipschitz dengan konstanta L, maka metode (6.4)
adalah stabil.
Teorema 6.3
Jika ψ(x, y,h) adalah kontinu dalam x, y, dan h untuk x ∈ [0,b], h ∈ [0, h0 ] dan semua
y, dan jika ψ(x, y,h) memenuhi sebuah syarat Lipschitz pada y dalam interval itu, syarat
perlu dan cukup untuk konvergen adalah
ψ (x, y, 0) = f(x,y)

(6.5)

Syarat (6.5) juga disebut syarat konsisten.




6.2.

100

APROKSIMASI DERET TAYLOR SEBAGAI FUNGSI SOLUSI MNA

Pandang MNA (6.1) beserta syarat awalnya. Bila y(x ) yang terdeferensial dan kontinu
diasumsikan sebagai solusi eksak dari (6.1), maka ekspansi deret Taylor untuk y(x )
disekitar x = x0 dapat dinyatakan oleh (lihat Teorema 1.1)
y ( x ) = y ( x0 ) + ( x − x0 ) y′ ( x0 )

( x − x0 )
+

2

2!

y′′ ( x0 ) +

( x − x0 )
+
( n − 1)!

n −1

y ( n −1) ( x0 ) + Rn (6.6)

Sekali nilai-nilai y ′ , y ′′, y ′′′,dst diketahui, maka (6.6) memberikan deret pangkat untuk y.
′ ′′
Bentuk y0 , y0 , y ′′′, dst adalah derivatif total yang didefinisikan dalam bentuk
y ′ = y (1) = f ( x, y ) = f
y ′′ = y (2) = f x + f y f
y ′′′ = y (3) = f xx + 2 ff xy + f x f y + f yy f 2 + f y2 f

(6.7)

dst

Contoh 6.1
Diberikan MNA sebagai berikut
y ′ = x − y 2 dengan syarat awl y (0) = 1
Gunakan deret Taylor (6.6) untuk mendapatkan nilai y (0 ,1) . Lakukan ekspansi Taylor
hingga ketelitian empat tempat desimal.
Penyelesaian:
Deret Taylor untuk y ( x ) disekitar x = x0 = 0 dinyatakan oleh
′
y ( x ) = 1 + xy0 +

x2
x3
x 4 (4)
′′
′′′
y0 +
y0 +
y0 +
2!
3!
4!

(6.8)

dengan
′
y0 = x0 − { y ( x0 )} = 0 − 1 = −1
2

y ′′ = 1 − 2 { y ( x0 )} ⋅ y ′ ( x0 ) = 1 − 2 ⋅ 1 ⋅ ( −1) = 3
y ′′′ = −2 ( y ′ ( x0 ) ⋅ y ′ ( x0 ) ) − 2 { y ( x0 )} ⋅ y ′′ ( x0 )
= −2 ( −1 ⋅ −1) − 2 {1} ⋅ 3 = −8
dst




101

′ ′′
Subsitusikan nilai-nilai y0 , y0 , y ′′′, dst ke persamaan (6.8) diperoleh :
3
4
5
x2
(3) + x (− 8) + x (34) + x (− 186) +
2!
3!
4!
5!
3
4
17 4 31 5
= 1− x + x 2 − x 3 +
x +
x +
2
3
12
20

y ( x) = 1 + x(− 1) +

Untuk mendapatkan nilai y (0,1) teliti keempat tempat desimal, cukup dihitung sampai
suku yang mengandung x4, dan diperoleh hasil sebagai berikut :
y ( x) = 1 − (0,1) +

3
(0,1)2 − 4 (0,1)3 + 17 (0,1)4
12
3
2

= 0,9138
Apabila diinginkan untuk mencari batas-batas nilai x dari deret di atas, dengan
kekeliruan setelah suku yang memuat x4 , maka dapat dihitung nilai-nilai dari y teliti
keempat tempat desimal yakni
31 5 1 − 4
x ≤ 10
20
2
31 5
x ≤ 0,00005
20
x ≤ 0,126
6.3.

APROKSIMASI FUNGSI SOLUSI MNA DENGAN METODE PICARD

Tinjau kembali MNA yang diberikan dalam bentuk (6.1). Dari teorema dasar kalkulus,
integrasi persamaan differensial (6.1) memberikan bentuk
x

y = y0 -

∫ f ( x , y ) dx

(6.9)

x0

Pada persamaan (6.9), fungsi y yang tidak diketahui muncul sebagai integran.
Persamaan (6.9) disebut persamaan integral. Dengan demikian persamaan tersebut
dapat diselesaikan dengan metode aproksimasi pertama untuk y diperoleh dengan
meletakkan yo untuk y diruas kanan dari persamaan no (6.9) dan ditulis
x

y

(1)

= y0 +

∫ f ( x, y ) dx
0

x0

Integral pada ruas kanan sekarang dapat diselesaikan dan hasil dari y (1) substitusikan ke
y dalam integral dari (6.9) untuk memperoleh aproksimasi kedua y(2) .



102

x

y

(2)

= y0 +

∫ f ( x, y

(1)

) dx

x0

Analog, akan diperoleh rumusan sebagaimana berikut ini
x

y ( n ) = y0 +

∫ f ( x, y

( n -1)

x0

dengan

y (0) = y0


) dx 




(6.10)

Jadi berdasarkan uraian di atas metode Picard menghasilkan suatu barisan dari
aproksimasi y(1), y(2), ... , y(n).

Contoh 6.2
Selesaikan MNA pada Contoh 6.1. dengan menggunakan formula (6.10)

Penyelesaian:
Dari syarat awal diperoleh y(0) = 1. Rumusan (6.10) untuk n = 1 dan 2 masing-masing
memberikan
x

y

(1)

∫ f ( x, y

= y0 +

(0)

) dx

x0
x

= 1 +

∫ f (x + y

(0) 2

) dx

0
x

= 1 +

∫ f ( x + 1) dx
0

x

1

= 1 +  x2 + x
2
0
1
= 1 + x + x2
2
dan




103

x

y

(2)

= y0 +

∫

f ( x , y (1 ) ) d x

x0
x

= y0 +

∫ (x

+ y (1 )

2

) dx

x0
x

= 1+

∫

x0
x

= 1+

2

1 2  

x + 1 + x +
x   dx


2

 






∫x


+ 1 + 2x + x2 + x3 +

x0

1 4 
x  dx
4

x

3 2
2 3
1 4
1


x +
x +
x +
x5
= 1+ x +
2
3
4
20

0
3 2
2 3
1 4
1
x +
x +
x +
x5
= 1+ x +
2
3
4
20

Dari hasil yang baru saja diperoleh memberikan informasi betapa rumitnya untuk nilai
n > 2. Oleh karena itu metode ini memiliki kelemahan dalam efisien kerja.

Contoh 6.3
Diberikan MNA dalam bentuk
−

dy
x2
= 2
dx y + 1

dengan syarat awal y = 0 untuk x = 0.
Gunakan metode Picard untuk menghitung y dimana x = 0,25, x = 0,5 dan x = 1,0 teliti
sampai tiga tempat desimal.

Penyelesaian:
Perhatikan syarat awal MNA yang diberikan. Ini berarti y(0) = yo = 0. Oleh karena itu,
berdasarkan rumus (6.10) diperoleh
x

y = y0 + ∫

x0

x

y = 0+∫
0

x2
dx
y2 + 1
x

x2
x2
dx = ∫ 2
dx
y2 + 1
y +1
0

Kemudian,


x

y

(1)

∫

=

0

104

x2
dx
y2 + 1

x

x2
∫ 0 + 1 dx
0

=

x

∫

=

x 2dx =

0

1 3
x
3

dan
x

∫y

y (2) =

x2
+1

(1) 2

0

x

=∫
0

dx

x2
2

1 3
 x  +1
3 

x

dx

x

 1 
=∫
dx = tan  x 3 
1 6
 3  0
0
x +1
9
1
1 9
= x3 −
x +
3
81
x2

−1

Hasil integral menunjukan bahwa y(1) dan y(2) suku pertamanya bersesuaian, yaitu
Untuk mencari batas dari nilai-nilai x sedemikian hingga deret dengan suku

1 3
x .
3

1 3
x sendiri
3

akan memberikan hasil teliti hingga tiga tempat desimal dapat dilakukan dengan cara
sbb:
1
1
x9 ≤
10− 3
2
81
⇔ x ≤ 0,7
Berdasarkan hasil di atas diperoleh
y ( 0, 25) =
y (1, 0 ) =

1
3

(0

, 25) = 0,005 ;
3

y ( 0,5) =

1
3
( 0,5) = 0,042
3

;

1 1
− = 0,321
3 81




6.4.

105

METODE EULER

Mulai dari bagian ini hingga akhir bagian, metode numerik yang digunakan untuk
menyelesaikan MNA (6.1) hanya melalui nilai-nilai fungsi yang diketahui sebaelumnya.
Tinjau MNA (6.1). Misalkan ingin diketahui nilai-nilai y pada x = xr = xo + r h dengan
r = 1, 2, 3, . . ., n.
Untuk n = 1. Persamaan (6.9) menjadi
y ( x1 ) = y1 = y0 -

x1

∫ f ( x, y ) dx

(6.11)

x0

Dalam (6.11), bila diasumsikan f ( x, y ) ≈ f ( x0 , y0 ) untuk x0 ≤ x ≤ x1 , maka (6.11)
menjadi
x1

y1 ≈ y0 + ∫ f ( x0 , y0 ) dx
x0

x1

= y0 + f ( x0 , y0 ) ∫ dx = y0 + f ( x0 , y0 ) ( x1 − x0 )
x0

= y0 + hf ( x0 , y0 )
Analog, untuk xn ≤ x ≤ xn +1 diperoleh
yn + 1 = yn + hf

( xn , y n )

(6.12)

dengan xn − xn − 1 = h dan n = 0, 1, 2 , … , N
Persamaan (6.12) adalah sebuah integrator yang dikenal dengan sebuatan integrator
metode Euler. Integrator (6.12) merupakan integrator yang paling sederhana untuk
menyelesaikan MNA (6.1). Dengan integrator ini pula, metode-metode implisit dapat
memulai proses penyelesaian MNA. Metode ini, kurang akurat karena adanya asumsi
f ( x, y ) ≈ f ( x0 , y0 ) untuk x0 ≤ x ≤ x1 yang pada prinsipnya sangat beresiko tinggi.
Asumsi ini akan sangat mendekati yang diharapkan jika nilai h << 1. Jika ini dilakukan
konsekuensinya adalah semakin banyaknya iterasi yang harus dilakukan.

Contoh 6.4
Gunakan metode Euler, untuk menyelesaikan persamaan differensial




106

y ′ = − y ; dengan syarat y ( 0 ) = 1 .
Penyelesaian :
Misalkan h yang akan digunakan adalah 0.01 untuk x dalam interval [0,04].
Penggunaan integrator (6.12) dengan h = 0,01 memberikan hasil berikut :
y (0,01) = 1 + (0, 01) (-1) = 0,99
y (0,02) = 0,99 + (0,01) (-0,99) = 0,9801
y (0,03) = 0, 9801 + (0,01) (-0,9801) = 0,9703
y (0,04) = 0,9703 + (0, 01) (-0,9703) = 0,9606
Solusi eksak dari persamaan differensial di atas adaalah y = e-x , dan dari nilai x = 0,04
diperoleh nilai y = 0,9606.

6.5. METODE RUNGE-KUTTA
Seperti telah disampaikan di bagian sebelumnya, bahwa metode Euler kurang efisien
dalam masalah-masalah praktis, karena dalam metode Euler diperlukan h << 1 untuk
memperoleh hasil yang cukup teliti (akurat).

Metode Runge-kutta dibuat untuk

mendapatkan ketelitian yang lebih tinggi dan kelebihan dari metode ini adalah bahwa
untuk memperoleh hasil-hasil tersebut hanya diperlukan nilai-nilai fungsi dari titik-titik
sebarang yang dipilih pada suatu interval bagian.
6.5.1 Metode Runge-Kutta Orde 2
Metode Runge-Kutta Orde 2 diberikan dalam skema berikut
k +k 
yn +1 = yn +  1 2 
 2 

(6.14)

dengan
k1 = hf ( xn , yn ) ,

1 

k2 = hf  xn , yn + k1 
2 


6.5.2 Metode Runge-Kutta Orde 4
Metode Runge-Kutta orde empat diberikan dalam rumus berikut ini:




107

1
yn +1 = yn + ( k1 + 2k2 + 2k3 + k4 )
6

(6.15)

dengan
h
k
h
k
h
k1 = f ( xn , yn ), k2 = f ( xn + , yn + 1 ), k3 = f ( xn + , yn + 2 ), k4 = f ( xn + , yn + k3 )
2
2
2
2
2
h = step size
Contoh 6.5
Diberikan MNA dalam bentuk
dy
= y − x , dengan y (0) = 2 .
dx
Tentukan y (0,1) dan y (0,2) teliti hingga empat tempat desimal :
Penyelesaian:
(i) Metode Runge-Kutta Orde Dua
Pilih h = 0,1 , f ( x, y ) = y - x , dan y (0) = 2. Kemudian tentukan nilai-nilai koefisien
k1 dan k2 dengan cara berikut:
k1 = hf 0 = hf ( x0 , y0 ) = 0,1 f (0, 2) = 0,1 (2 - 0) =

0, 2

k2 = hf ( x0 + h, y0 + k1 ) = 0,1 [ f ( 0 + 0,1 , 2 + 0, 2)]
k2 = 0,1 [ f ( 0,1 ; 2, 2)]
k2 = 0,1 (2, 2 - 0,1) = 0, 21
Kemudian dihitung nilai y pertama yaitu
y1 = y (0,1)
= y0 + ½ ( k1 + k2 )

(6.15)

= 2 + ½ (0, 2 + 0, 21)
= 2, 2050
Guna mendapatkan nilai fungsi y2 = y(0,2), diperlukan xo = 0,1 dan yo = 2,2050.
Dengan cara yang sama diperoleh:




108

k1 = h f ( x0 , y0 )
= 0,1 f ( 0,1 ; 2, 2050)
= 0,1 f (2, 2050 - 0,1 ) = 0, 2105
k2 = h f ( x0 + h , y0 + k1 )
= 0,1 f ( 0, 2 , 2, 4155)
= 0,1 f (2, 4155 - 0, 2 )

= 0, 22155

sehingga
y2 = y0 + ½( k1 + k2 )
= 2, 2050 + ½(0, 2105 + 0, 22155)
= 2, 4210
Analog, akan diperoleh pula
y3 = y (0,3) = 2,6492
dan
y4 = y (0,4) = 2,8909.
Untuk keperluan pembanding, dapat diperlihatkan bahwa ketika pilihan h = 0,2
diperoleh
y (0,2) = 2,4200 dan y (0,4) = 2,8880.
Dari hasil nemerik ini, memperlihatkan betapa pilihan h memainkan peranan dalam hal
keakuratan aproksimasi.
Sementara itu, solusi secara analitik MNA dalam Contoh 6.5 adalah fungsi y = x + 1 + e x .
Solusi analitik untuk nilai-nilai y (0,2) dan y (0,4) berturut-turut adalah 2,4214 dan
2,8918.
Berikut ini rekapitulasi nilai-nilai fungsi solusi Contoh 6.5. yang telah dikemukakan.
x
0,2
0.3

y hitung
h = 0,1 : 2,4210
h = 0,2 : 2,4200
h = 0,1 : 2,8909
h = 0,2 : 2,8880

y eksak
2,4214
2,4918

selisih

Rasio

0,0004

3,5

0,0014
0,0009

4,2

0,0038

Dari tabel di atas terlihat bahwa metode Runge-Kutta orde dua konvergen.




109

(ii). Metode Runge-Kutta Orde Empat
Analog dengan langkah-langkah penyelesai MNA dengan metode Runge-Kutta orde dua,
Metode Runge-Kutta orde empat (6.15) memberikan untuk h = 0,1:
k1

= h f ( x0 , y0 ) = 0,1 (0, 2)

k2

= 0,1 f (2 - 0) = 0, 2
= h f ( x0 + ½ h , y0 + ½ k1 )

k3

= 0,1 f (0,05 , 2,1)
= 0,1 (2,1- 0, 05) = 0, 205
= h f ( x0 + ½ h , y 0 + ½ k 2 )

k4

= 0,1 f (0,05 , 2 + 0,1025)
= 0,1 (2,1025 - 0,05) = 0, 20525
= h f ( x0 + h , y0 + k3 )
= 0,1 f (0,1 , 2, 20525)
= 0,1 (2, 20525 - 0,1) = 0, 21053

Dari nilai-nilai tersebut diperoleh :
y1 = y (0,1) = y0 + ( k1 + 2 k2 + 2 k3 + k4 )
= 2 + ( 0, 2 + 0, 410 + 0, 4105 + 0, 21043)
= 2, 2052
Dengan cara yang sama didapat juga y (0,2) = 2,4214

6.6. METODE-METODE BENTUK IMPLISIT
Metode-metode yang telah dibahas sebelumnya adalah metode-metode bentuk eksplisit
(terbuka) yakni metode yang memberikan secara langsung nilai-nilai yn +1 ketika nilai

(x

n,

yn ) diberikan/diketahui. Metode eksplisit juga dikenal sebagai metode prediksi

(predictor). Sebaliknya, metode implisit, ia tidak langsung memberikan nilai-nilai yn +1
ketika pasangan nilai ( xn , yn ) diberikan. Metode ini memerlukan beberapa kali proses
yang sama/berulang atau memerlukan nilai ( xn +1, yn +1 ) untuk mendapatkan nilai-nilai
yn +1 . Dengan keadaan ini, metode implisit memerlukan waktu lebih lama dibandingkan
metode eksplisit. Hal ini dikarenakan perlunya proses ekstra untuk mendapatkan nilai
yang sama atau sangat dekat dengan yn +1 . Metode implisit juga dikenal dengan sebutan




110

metode corrector karena cara kerja metode ini adalah mengoreksi setiap nilai
aproksimasi yn +1 yang sesuai yakni ketika berlaku kondisi
k +1
yn +1 ≈ yn +1 − y k n +1 < toleransi, k = 0,1, 2,

,N

(6.16)

Toleransi dalam persamaan (6.16) diambil sesuai kebutuhan (umumnya toleransi
<< 0.1).

0
Untuk k = 0, nilai yn +1 paling mudah diambil dari metode Euler (persamaan

(6.12). Dua metode implisit yang cukup dikenal adalah metode Aturan Nilai Tengah
(Mid Point Rule) dan metode Gauss-Legendre.
6.6.1 Metode Aturan Nilai Tengah (Mid Point Rule)
Metode Aturan Nilai Tengah diberikan dalam bentuk sebagai berikut
 y + yn 
yn +1 = yn + h f  n +1

2



(6.17)

6.6.2 Metode Gauss-Legendre Orde Empat
Metode Gauss-Legendre orde empat diberikan dalam bentuk berikut
k k 
yn +1 = yn + h  1 + 2 
2 2

(6.18)

dengan

(

)

(

)




 3 + 2 3 k1 k  
3 − 2 3 k2  
 xn , yn + τ  k1 +
  ; k 2 = f  xn , y n + τ 
k1 = f
+ 2 


12
12
4 
4









Soal-soal Latihan
1. Dari

dy
= xy + 1 , dan y (0) = 1, tentukan untuk y (x) dan hitunglah y(0,1) teliti
dx

hingga empat tempat desimal.
2. Gunakan metode deret Taylor, untuk membuktikan bahwa solusi dari
dy
d2y
+ xy = 0 , dengan x = 0, y = c,
= 0 , dapat dinyatakan oleh :
2
dx
dx




111



x3 1 × 4 6 1 × 4 × 9 9
y = c 1 −
x −
x + …
+
3!
6!
9!


3. Diberikan MNA sbagai berikut
1
dy
;dengan syarat awal y (4) = 4
= 2
dx
x +y
Gunakan deret Taylor untuk mendapatkan y (4,1) dan y (4,2) .
4. Untuk MNA berikut ini, tentukanlah solusi persamaan tersebut dalam bentuk
perpangkatan dari x dengan memakai metode Picard, kemudian hitung y (0,1) teliti
hingga empat tempat desimal.
dy
= x − y 2 ;dengan syarat awal y (0) = 1
dx
5. Selesaikan dengan menggunakan metode Euler persamaan differensial
dy
= x + y dengan syarat y(0) = 0 pilih h = 0,2, dan hitung y (0,4) dan y (0,6)
dx
6. Diberikan persamaan

dy
= x 2 + y dan y(0) = 1
dx

Tentukan y (0,02), y (0,04), dan y (0,06), dengan menggunakan modifikasi metode
Euler.
7. Gunakan metode oerde keempat Runge-Kutta untuk mencari nilai y untuk x = 1, bila
diketahui bahwa y = 1 untuk x = 0
dan

dy y − x
=
dx y + x

8. Buatlah daftar solusi dari
dy
= x + y dengan y(0) = 0
dx
Untuk 0,4 < x ≤ 1,0 dengan h = 0,1, menggunakan formula RK4 dan Mid Point Rule.




112

BAB VII
APLIKASI-APLIKASI METODE NUMERIK

7.1 TEKNIK INTERPOLASI LINEAR UNTUK BELAHAN POINCARÉ
7.1.1 Pengertian Belahan Poincaré
Belahan Poincaré yaitu sebuah bidang potong berdimensi dua tempat dimana trayektoritrayektori dari sebuah penyelesaian sistem dinamik melewatinya. Dari belahan Poincaré
akan diperoleh sebuah photo fase (phase portrait) yang di dalam ilmu Fisika disebut
juga dengan photo stroboscopic. Belahan Poincaré secara umum diperlukan untuk
menyederhanakan proses penganalisaan suatu sistem dinamik guna mendapatkan
informasi sebanyak-banyaknya mengenai sifat-sifat sistem tersebut (sifat stabil atau
tidak stabilnya orbit-orbit periodik, misalnya).
Guna mengetahui perilaku dari suatu sistem dinamik yang berdimensi tiga atau empat
umumnya dibentuk sebuah bidang Poincaré yang dilalui oleh trayektori-trayektori sistem
tersebut. Pengertian bidang Poincaré yang terjadi pada trayektori-trayektori yang
membentuk sebuah torus dapat dijelaskan melalui proses geometri berikut (Gambar 7.1).

Gambar 7.1:
Sebuah torus (trayektoritrayektori yang membentuk
sebuah “donut”) dengan
sebuah bidang.
Belahan
yang terjadi dikenal dengan
sebutan belahan Poincaré.

Dengan adanya belahan Poincaré akan memberikan sejumlah informasi penting tentang
trayektori misalnya sifat kestabilan orbit-orbit periodik (stabil atau tidak stabil), tipe
periodik (periodik atau quasi periodik),

dan

trayektori (chaos atau regular) (Hilborn, 1994).


tipe perpindahan atau

pegerakan

Satu contoh sistem dinamik yang



113

melibatkan belahan Poincaré sebagai alat untuk menganalisis trayektori-trayektori dari
sistem tersebut (Hénon, 1964), adalah masalah Hénon-Heiles. Masalah Hénon-Heiles
adalah model Hamiltonian yang diberikan dalam bentuk (Hilborn, 1994)
H=

1 2 1 2 1 2 1 2  2
1 3
p1 + q1 + p 2 + q 2 +  q1 q 2 − q 2 
2
2
2
2
3 


(7.1)

Sistem Hamiltonian di atas adalah non-integrable dan memiliki dua derajat kebebasan
atau berdimensi empat. Adapun sistem persamaan diferensial orde pertama dari
persamaan Hamiltonian (7.1) adalah:
p1 = q1 + 2q1q2
2
p2 = q2 + q12 − q2

q1 = − p1

(7.2)

q2 = − p2.
Sistem Hamiltonian Hénon-Heiles sangat bergantung pada nilai energi E = H.
Bervariasinya nilai energi E akan bervariasi pula bentuk trayektorinya. Dua buah
belahan Poincaré berikut ini mewakili dua jenis energi E yang berbeda (Hénon,1981):

Gambar 7.2:
Suatu bentuk belahan
Poincaré dari masalah
Hénon-Héiles.
(i). Hénon-Héiles
dengan E=0.125 dan
(ii). Hénon-Héiles
dengan E=0.16667.
Dari semua bentuk belahan Poincaré di atas setiap invarian kurva, gugusan "pulau"
invarian ellip, dan "lautan" chaotik mengandung makna yang sangat berarti dimana
mereka menggambarkan sifat-sifat trayektori.

7.1.2 Konsep Interpolasi Linear Pada Bidang
Guna mendapatkan data trayektori dari sebuah sistem dinamik yang berada pada atau
cukup dekat pada bidang Poincaré yang diinginkan dapat digunakan metode Interpolasi
Linear. Metode ini dapat diilustrasikan melalui proses geometri berikut ini. Asumsikan
sebuah trayektori x ( t ) dalam ruang ℜ3 melintasi sebuah bidang datar Vcut sebagaimana
dilukiskan pada Gambar 7.3.




114

x3

xt
V cut

x3cut

x2 cut

x2
x1cut

x1

Kemudian

Gambar.7.3

asumsikan

dua

buah

p ( x1 ( tn ) , x2 ( tn ) , x3 ( tn ) ) = pn

titik

dan

p ( x1 ( tn+1 ) , x2 ( tn+1 ) , x3 ( tn+1 ) ) = pn+1 adalah berada pada sisi yang berbeda dari bidang

potong Vcut = x3cut (perhatikan Gambar 7.4.a atau 7.4.b).

Pn +1

x aproksimasi

Vcut
x eksak

xt

Pn
Gambar.7.4a

x aproksimasi

Pn
Vcut
x eksak

xt

Pn +1
Gambar 7.4b




115

Dari kondisi yang ditampilkan oleh Gambar 7.4a atau 7.4b persamaan garis lurus yang
terbentuk akan memotong bidang x3cut di titik x aproksimasi sehingga hubungan berikut ini
diperoleh:
*
x1 ( t ) − x1 ( t n )
x * ( t ) − x2 ( t n )
x * ( t ) − x3 ( tn )
= 2
= 3
x1 ( t n +1 ) − x1 ( t n ) x2 ( t n +1 ) − x2 ( tn ) x3 ( tn +1 ) − x3 ( tn )

(7.3)

*
*
*
dengan x1 ( t ) , x2 ( t ) , dan x3 ( t ) adalah komponen dari x aproksimasi .

Oleh karena x3 ( t ) = x3cut maka persamaan (3) dapat ditulis menjadi:
 x − x3 ( tn ) 
*
x1 ( t ) = x1 ( tn ) + ( x1 ( tn +1 ) − x1 ( tn ) )  3cut
 x (t ) − x (t ) 

n 
3
 3 n +1
 x − x3 ( tn ) 
*
x2 ( t ) = x2 ( t n ) + ( x2 ( t n +1 ) − x2 ( t n ) )  3cut
 x (t ) − x (t ) 

n 
3
 3 n +1
*
x3 ( t ) = x3cut

(7.4a)
(7.4b)
(7.4c)

Persamaan-persamaan (7.4a), (7.4b), dan (7.4c) adalah persamaan linear (garis lurus)
terhadap peubah x3cut yang dibentuk untuk menginterpolasi sebuah titik pada bidang
potong. Oleh karena itu cara yang diilustrasikan di atas dinamakan interpolasi linear.
7.2 SOLUSI NUMERIK SISTEM SUSPENSI MOBIL
7.2.1. Sistem Persamaan Diferensial dan Sistem Suspensi Mobil
Diketahui bahwa bentuk persamaan diferensial biasa orde dua yang didefinisikan dengan
a2

dengan

d 2x
dx
+ a1 + a0 x = f ( t )
2
dt
dt

syarat awal x ( 0 ) = x0

dan

(7.5)

x′ ( 0 ) = v0 memiliki sejumlah aplikasi pada

berbagai bidang ilmu, ilmu fisika dan ilmu teknik misalnya. Aplikasi yang dimaksud
tiga diantaranya adalah model matematika untuk sistem suspensi pada mobil, pendulum
teredam atau tidak teredam, dan rangkaian listrik. Menarik untuk dipelajari bahwa
bervariasinya nilai-nilai koefisien a2 , a1 , dan a0 serta fungsi f ( t ) pada persamaan (7.5)
memberikan interprestasi yang berbeda pada setiap aplikasinya.
Salah satu bentuk khusus dari persamaan diferensial (7.5) yang cukup dikenal dan
merupakan model matematika pada sistem suspensi mobil diberikan dalam bentuk




m

116

d2x
dx
+δ
+ kx = f ( t ) ; x ( 0 ) = x0
2
dt
dt

dan

x′ ( 0 ) = v0

(7.6)

dengan
m = porsi massa mobil yang didukung oleh sistem suspensi
δ = koefisien peredam shock absorber (proporsional)
k = konstanta kekakuan pegas/per (proporsional)
f ( t ) = fungsi gaya
x = fungsi waktu untuk perubahan vertikal dari posisi diam
x′ = kecepatan perubahan x
x′′ = percepatan perubahan x
v0 = kecepatan awal dari pusat massa
Pemilihan nilai rasio rancangan

k
δ
dengan tepat diharapkan memberikan
dan
m
m

keamanan dan kenyamanan pengendara mobil.
Guna menyelesaikan persamaan (7.6) tidaklah sulit dilakukan secara analitik bila fungsi
gaya f ( t ) = 0 (persamaan diferensial orde dua homogen).

Namun sebaliknya,

penyelesaian dapat menjadi rumit jika fungsi gaya f ( t ) ≠ 0 (persamaan diferensial orde
dua non homogen). Oleh karena itu penyelesaian persamaan diferensial (7.6) dapat
dilakukan dengan cara numerik. Selain menjanjikan kemudahan dalam menyelesaikan
(7.6) karena didukung oleh pilihan integrator yang banyak (standar atau khusus), cara ini
juga dengan mudah dapat menampilkan lintasan objek (trayektori) dari sejumlah fungsi
gaya f ( t ) ≠ 0 dan berbagai nilai rasio rancangan

k
δ
karena didukung oleh
dan
m
m

software komputer yang maju dan moderen.
Kerja suspensi mobil merupakan sistem kerja spring (pegas), shock absorber, dan
massa. Sistem kerja suspensi mobil dapat dijelaskan oleh diagram berikut (Giordano
and Weir, 1994).
Gambar.7.5 :
Sistem Suspensi
(Spring-Shock
Absorber) Mobil




117

Persamaan diferensial dari sistem suspensi mobil yang ideal dengan dukungan pegas dan
shock absorber sebagaimana diberikan pada persamaan (7.6). Dalam bentuk sistem
persamaan diferensial, persaman tersebut dapat disajikan ke dalam bentuk :
dx
=y
dt
dy f ( t )
2
=
− 2α y − ω o x
dt
m
dengan
2α =

syarat

awal

δ
k
2
dan ω o = .
m
m

x ( 0 ) = 0 dan

y ( 0 ) = v0

(7.7)

.

Dalam

sistem

(7.7)

Untuk keadaan jalan yang memiliki efek “papan cucian”

(washboard), fungsi gaya f ( t ) diberikan dalam bentuk
f ( t ) = F0 Cos (ω t )

(7.8)

dengan F0 adalah amplitudo dari fungsi gaya dengan periode 2π ω dan berfrekwensi

ω
. Selain itu untuk kondisi jalan dengan efek “berlobang dan tidak rata” (bumpy road)
2π
insinyur otomotif memberikan fungsi gaya f ( t ) dalam bentuk
f ( t ) = F0 e − a t Cos (ω t )

atau

f ( t ) = F0 e − a t Sin (ω t )

(7.9)

dengan F0 , a , dan ω adalah konstanta-konstanta bernilai positif dan t adalah waktu.
Dengan melibatkan fungsi gaya (7.9), sistem (7.7) menjadi
dx
= y;
dt

dy F0 Cos (ω t )
2
=
− 2α y − ω o x
dt
m

dengan syarat awal x ( 0 ) = 0 dan

(7.10)

y ( 0 ) = v0 .

Secara umum, kondisi jalan yang dikaitkan dengan fungsi gaya f ( t ) memiliki beberapa
tipe (Gambar 7.6.).

Gambar.7.6 : Empat tipe jalan yang diwakilkan oleh bentuk
fungsi f(t). Tipe wash board (a) wake-up strips ( b dan c)
dan New York Pothole (d)




118

Bentuk grafik fungsi dari fungsi gaya f ( t ) yang diberikan pada (7.8) diwakili oleh
Gambar.7.6 bagian a.
7.2.2 Agoritma untuk Penyelesaian Masalah Sistem Suspensi Mobil Dengan
Menggunakan Metode Runge-Kutta Orde Empat Bentuk Eksplisit.
Guna menyelesaikan sistem persamaan diferensial (7.10) dengan fungsi gaya yang
mempresentasikan efek washboard atau bumpy road secara numerik untuk sistem (7.10)
dapat dilakukan dengan menggunakan skema metode Runge-Kutta orde empat bentuk
eksplisit berikut ini:

τ

x1 = x 0 + (k1 + 2k2 + 2k3 + k4 )
6

(7.11)

dengan
k
k
τ
τ
τ
k1 = f (t , x1 ), k2 = f (t + , x1 + 1 ), k3 = f (t + , x1 + 2 ), k4 = f (t + , x1 + k3 )
2
2
2
2
2
τ = step size
Algoritma yang digunakan untuk mendapatkan sejumlah data output yang meliputi data
hasil perhitungan integrasi secara numerik dan kesesuain parameter δ dan k yang
memberikan informasi tentang waktu pulih sistem Coil Spring-Shock Absorber yang
“terbaik” (cepat kembali ke posisi equilibrium dan berjarak maksimum terendah) adalah
sebagai berikut:
1. Set Fungsi Turunan berkenaan dengan sistem (7.7) dengan pilihan kondisi jalan
bumpy road dan/atau wash board yang diberikan dalam bentuk sebuah fungsi sinus
atau kosinus, atau kombinasi salah satu fungsi tersebut dengan fungsi eksponen;
2. Buat pilihan simulasi :

misalnya cara simulasi terhadap parameter δ atau cara

simulasi terhadap parameter k ;
3. Set Data Input;
Ketika pilihan pertama dalam butir 2 yang dipilih, setting data input adalah step size,
jumlah iterasi, syarat awal x ( 0 ) = x0 , y ( 0 ) = v0 , F0 , a , ω , jumlah parameter δ
yang akan disimulasi (dalam hal ini diberlakukan rumus n = (δ n − δ 0 ) ∆δ ,
dengan n = jumlah parameter δ , δ n = nilai akhir parameter δ , δ 0 = nilai awal
parameter δ , dan ∆δ = pertambahan nilai parameter δ ), dan nilai parameter k .




119

Sebaliknya, ketika pilihan kedua pada butir 2 yang dipilha, maka setting data input
adalah : step size, jumlah iterasi, syarat awal x ( 0 ) = x0 , y ( 0 ) = v0 , F0 , a , ω ,
banyaknya parameter k yang akan disimulasi (dalam hal ini diberlakukan rumus

n = ( kn − k0 ) ∆k dengan n = banyaknya parameter k , kn = nilai akhir parameter k ,
k0 = nilai awal parameter k , dan ∆k = pertambahan nilai parameter k ), dan nilai
parameter δ ;
4. Gunakan integrator (7.11) untuk menyelesaikan sistem (7.7) dengan perlakuan
sebagaimana langkah 2 dan input yang sudah ditetapkan pada langkah 3;
5. Simpan data hasil integrasi numerik ke dalam file data, c:/ Rk4x.dat misalnya;
6. Simpan

data

waktu

kembali

ke

posisi

equlibrium

dengan

ketentuan

xn − x0 < tol = 1 x 10−12 ke dalam file data c:/ waktunol.dat;

7. Ulangi proses langkah ke 5 hingga ke 7 untuk parameter yang lain;
8. Selesai.
7.2.3 Eksperimen Numerik
Eksperimen numerik dilakukan pada penyelesaian persoalan sistem spring-shock
absorber untuk sebuah mobil import yang sistem suspensinya didisain menggunakan
coil spring-shock absorber.

♣

Misalkan suspensi mobil import menggunakan sistem coil

spring- shock absorber untuk mendukung berat 350 kg. Kemudian konstanta kekakuan
pegasnya adalah 140000 kg/cm. Sedangkan shock absorber yang digunakan adalah
dumping force yang sama dengan 3500 kali kecepatan sesaat sistem secara vertikal
(satuan dalam cm/detik). Misalkan sistem digetarkan oleh gaya f ( t ) = 1750 e −2t Sin ( 3t )
(satuan dalam kg − cm / detik 2 ).

Berkenaan dengan persamaan (7.10), sistem mobil

import yang dimaksud dalam contoh ini memiliki spesifikasi sebagai berikut :
m = 350/9.8; δ = 3500;
k = 140000; v0 = 0;




−2 t
f ( t ) = 1750 e Sin ( 3t ) 


(7.12)

Eksperimen numerik dapat dilakukan dengan menggunakan paket program (bahasa
Turbo Pascal 6.0 misalnya) yang didasari kepada algoritma yang telah dikemukanan
sebelumnya. Hasil running program diperoleh berupa data yang dapat dilihat dalam file
♣

Disalin dari buku Mathematical Modelling Approach by Giardano and Weir, 1994
hal. 281




120

data bernama Rk4x.dat yang ada di drive C untuk data hasil integrasi numerik dan file
data bernama waktunol.dat di drive yang sama untuk melihat lamanya waktu kembali
ke posisi equilibrium dan jarak maksimum dan waktu yang bersesuain yang dicapai dari
posisi equilibrium. Ketika langkah-langkah atau proses di atas dilakukan secara benar
akan diperoleh grafik fungsi sebagaimana ditampilkan dalam Gambar 7.7 berikut:
Gambar 7.7.
Grafik gerakan sistem suspensi sebuah
mobil import dengan spesifikasi sistem
suspensi sebagaimana ditunjukan
persamaan (7.12).



Metode numerik-buku-ajar-unila

More Related Content

What's hot

Similar to Metode numerik-buku-ajar-unila

More from tejowati

Metode numerik-buku-ajar-unila